文献

J-GLOBAL ID：201802236512052588   整理番号：18A0207680

PCA-RBFニューラルネットワークモデルに基づく都市用水量予測【JST・京大機械翻訳】

PCA-RBF neural network model-based urban water consumption prediction

著者 (4件)： Gao Xueping (天津大学水利工程倣真与安全国家重点実験室,天津,300072) ,  Chen Lingling (天津大学水利工程倣真与安全国家重点実験室,天津,300072) ,  Liu Yinzhu (天津大学水利工程倣真与安全国家重点実験室,天津,300072) ,  Sun Bowen (天津大学水利工程倣真与安全国家重点実験室,天津,300072)
資料名： Water Resources and Hydropower Engineering  (Water Resources and Hydropower Engineering)
巻： 48  号： 7  ページ： 1-6  発行年： 2017年 
JST資料番号： C2997A  ISSN： 1000-0860  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 都市用水量に影響する因子が多く、関連性が強い、およびBP神経回路網の収束速度が遅く、局部極小値に陥りやすいなどの問題に対して、主成分分析(PCA)とRBFニューラルネットワークの方法を用いて、都市用水量を予測する。主成分分析を用いて、水の影響要素に対して次元縮小を行い、多重共線性を除去し、元の水量の影響因子を代替できる前の三つの主成分を入力因子とし、学習と収束速度が速く、モード識別能力が強いRBFニューラルネットワークを用いて予測を行った。研究結果は,モデルの相対誤差の平均値が訓練と予測段階で最小であり,それぞれ0.165%と0.6775%であり,学習と予測能力がRBFとBPニューラルネットワークモデルより良く,収束速度と予測精度が改善されることを示した。主成分の数が3から5に増加すると,情報量累積寄与率は93.09%から98.37%に増加し,平均相対誤差は0.250%から0.206%に減少し,予測精度はわずかに向上した。2015年から2020年までのナツメ市の水使用量を予測し、総用水量はまず小さく上昇し、その後低下し、「逆U型」の増加を示した。このモデルは都市域における水資源計画に対して参考価値がある。Data from Wanfang. Translated by JST【JST・京大機械翻訳】

シソーラス用語： *予測 ,  *モデル ,  *用水 ,  次元縮小 ,  神経回路網 ,  主成分分析 ,  都市域
準シソーラス用語： 予測精度 ,  逆伝播ニューラルネットワーク ,  相対誤差 ,  *水量 ,  *動径基底関数ニューラルネットワーク ,  収束速度 ,  *都市用水 ,  *神経回路網モデル , 【Automatic Indexing@JST】

著者キーワード (6件)： urban water consumption prediction ,  principal component analysis ,  RBF neural network ,  BP neural network ,  number of principal components ,  prediction of water demand

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： モデル ,  都市 ,  予測