Oil Consumption Forecasting Using Optimized Adaptive Neuro-Fuzzy Inference System Based on Sine Cosine Algorithm
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Oil consumption is one of the main factors that affect industry and economy. Therefore, it is very important to estimate and forecast the consumption of oil. This helps the governments to take the right decisions and avoid the wrong decisions that lead to negative outcomes. For that reason, there are several methods that have been applied to forecast the oil consumption, such as the adaptive neuro-fuzzy inference system (ANFIS) model. It is one of the most popular data mining methods used to perform the forecast. However, the ANFIS model may not be accurate (biased) in all data, since its parameters require to be determined and updated and this may lead to stuck in the local point and not convergence to the optimal value. To this end, this paper presents an alternative oil consumption forecasting method by improving the ANFIS using the sine–cosine algorithm (SCA). In the proposed method called SCA-ANFIS, the parameters of the ANFIS are optimized using the SCA. In order to assess the performance of the proposed SCA-ANFIS method, a real dataset of petroleum products’ consumption of three countries, namely, Canada, Germany, and Japan, is used. This dataset is collected on the period between 2007 and 2017, which contains 120 records per month for each country. Moreover, the results of the proposed method are compared with variants of ANFIS models. The experimental results demonstrate that the proposed SCA-ANFIS method outperforms other algorithms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle