文献

J-GLOBAL ID：201802223042725399   整理番号：18A1814229

太陽熱エネルギーシステムのための予測モデリング:サポートベクトル回帰,ランダムフォレスト,追加ツリー,回帰ツリーの比較【JST・京大機械翻訳】

Predictive modelling for solar thermal energy systems: A comparison of support vector regression, random forest, extra trees and regression trees

著者 (3件)： Ahmad Muhammad Waseem (BRE Centre for Sustainable Engineering, School of Engineering, Cardiff University, Cardiff, CF24 3AA, United Kingdom) ,  Reynolds Jonathan (BRE Centre for Sustainable Engineering, School of Engineering, Cardiff University, Cardiff, CF24 3AA, United Kingdom) ,  Rezgui Yacine (BRE Centre for Sustainable Engineering, School of Engineering, Cardiff University, Cardiff, CF24 3AA, United Kingdom)
資料名： Journal of Cleaner Production  (Journal of Cleaner Production)
巻： 203  ページ： 810-821  発行年： 2018年 
JST資料番号： W0750A  ISSN： 0959-6526  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 予測分析は分散エネルギーシステムの管理において重要な役割を果たす。制御されていない変数(例えば,再生可能エネルギー源発電,建物エネルギー消費)の予測モデルは,電気的および熱的グリッドを最適に管理し,情報決定を行い,故障検出と診断のために必要である。本論文では,太陽熱集熱器システムからの有用な時間毎エネルギーを予測するために,ツリーベースのアンサンブル機械学習モデル(ランダムフォレスト-RFおよび余分ツリー-ET),ディシジョンツリー(DT)およびサポートベクトル回帰(SVR)を比較するための包括的研究を提示した。開発したモデルをそれらの一般化能力(安定性),精度および計算コストに基づいて比較した。RFとETは同等の予測力を持ち,有効な太陽熱エネルギー(USTE)を予測するのに等しく適用でき,試験データセットに対して6.86と7.12の二乗平均誤差(RMSE)値を持つことが分かった。研究されたアルゴリズムの中で,DTは,それが有意に少ない訓練時間を必要とするので,最も計算的に効率的な方法である。しかし,RFとETより正確ではない(RMSE=8.76)。SVRの訓練時間は1287.80msであり,ET訓練時間より約3倍高かった。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 予測モデル ,  人工知能 ,  アルゴリズム ,  発電 ,  *予測 ,  ディシジョンツリー ,  モデル ,  機械学習 ,  太陽熱集熱器 ,  *モデリング ,  故障検出
準シソーラス用語： 計算コスト ,  *ランダムフォレスト ,  *サポートベクトル回帰 ,  *太陽熱エネルギー , 【Automatic Indexing@JST】

著者キーワード (6件)： 人工知能 ,  余分な木 ,  ランダムフォレスト ,  ディシジョンツリー ,  アンサンブルアルゴリズム ,  太陽熱エネルギーシステム

分類 (3件)： 環境問題  (SA01020V) ,  資材管理  (KB05020S) ,  研究開発  (SA01040R)

タイトルに関連する用語 (5件)： 太陽熱エネルギー ,  予測 ,  モデリング ,  サポートベクトル回帰 ,  ランダムフォレスト