文献

J-GLOBAL ID：201802217952372760   整理番号：18A0450224

新規分解に基づく局所短期潮流速度と方向予測モデル【Powered by NICT】

A novel decomposition-based localized short-term tidal current speed and direction prediction model

著者 (4件)： Safan Nima (Department of Electrical and Computer Engineering, University of Saskatchewan, Saskatoon, SK, CA) ,  Ansan Osama Aslam (Department of Electrical and Computer Engineering, University of Saskatchewan, Saskatoon, SK, CA) ,  Zare Alireza (Department of Electrical and Computer Engineering, University of Saskatchewan, Saskatoon, SK, CA) ,  Chung C. Y. (Department of Electrical and Computer Engineering, University of Saskatchewan, Saskatoon, SK, CA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： PESGM  ページ： 1-5  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 潮汐エネルギーを統合するグリッドにするためには,短期期間で利用可能な潮汐エネルギーの量を正確に予測することが重要である。これに関連して,潮流の短期予測が潮汐エネルギー,潮流速度(TCS)に依存するだけでなく,潮流方向(TCD)に依存する重要である。TCSとTCD時系列の非定常性と非線形性は,それらの予測可能性を低下させる。分解アプローチを用いて,これらの非線形および非定常時系列はより予測可能ないくつかの成分に分解できる。一方,非線形時系列の揮発性を予測するために,局在化した方式によって,世界的に予測モデルを訓練と比較して良好であった。これに関連して,本論文では,TCSとT CDの予測精度を高めるためにアンサンブル経験的モード分解(EEMD)と局所最小二乗サポートベクトルマシン(LSSVM)に基づく新しい予測モデルを提案した。提案したモデルは,自己回帰統合移動平均(ARIMA)モデルとLSSVMベースモデルと比較した。Shark River入口(フロリダ,米国)から記録された実際のデータを用いて,提案した予測モデルの適用性を検証することである。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 予測可能性 ,  非線形性 ,  *予測 ,  短期予測 ,  フロリダ州 ,  潮汐エネルギー ,  *予測モデル
準シソーラス用語： ARIMAモデル ,  自己回帰 ,  最小二乗-サポートベクトルマシン ,  アンサンブル経験的モード分解 ,  予測精度 ,  非線形時系列 ,  非定常時系列 ,  非定常性 , 【Automatic Indexing@JST】

分類 (2件)： 交通調査  (TB01031B) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 分解 ,  短期 ,  潮流 ,  予測モデル