文献

J-GLOBAL ID：202002270148202457   整理番号：20A0657781

河川流予測における機械学習技術の能力調査【JST・京大機械翻訳】

Investigating capabilities of machine learning techniques in forecasting stream flow

著者 (3件)： Kabir Syed (PhD student, Institute for Infrastructure and Environment, Heriot-Watt University, Edinburgh, UK (corresponding author: [e-mail])) ,  Patidar Sandhya (Lecturer, Institute for Infrastructure and Environment, Heriot-Watt University, Edinburgh, UK) ,  Pender Gareth (Deputy Principal Research and Innovation, Heriot-Watt University, Edinburgh, UK)
資料名： Proceedings of the Institution of Civil Engineers. Water Management  (Proceedings of the Institution of Civil Engineers. Water Management)
巻： 173  号： 2  ページ： 69-86  発行年： 2020年 
JST資料番号： W1399A  ISSN： 1741-7589  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： 本論文では,3つの従来のデータ駆動モデリング技術,すなわち,ウェーブレットに基づく人工ニューラルネットワーク(WANN),サポートベクトル回帰(SVR)および深い信念ネットワーク(DBN)のモデル化能力を,多段階先行ストリームフロー予測のために系統的に研究した。これらのモデリング技術の有効性を評価するために,英国に位置する3つの事例研究河川からの水文気象時間データセットを用いた。モデル誤差の大きさ,散乱および密度を測定する重要な統計を系統的に解析することにより,モデリングスキームの発見的性能解析を行った。最後に,各モデリング技術に対して,時間における性能劣化率を推定した。結果は,SVRモデルが1~2時間前に非常に正確に予測できるが,その性能は3時間から徐々に悪化することを示した。さらに,システムの全体的非線形性が増加すると,WANNモデルはより良く機能するが,DBNモデルは,ここで提示した他のモデルと比較して,一貫して悪い予測能力を示すように見えた。著者らは,任意の選択したモデルに対して,2段階前予測に対して同一モデル構造を用いることが可能であると結論した。この限界を超えてモデルを再構成する必要がある。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 波束 ,  水文学 ,  ニューラルネットワーク ,  性能分析 ,  水資源 ,  再構成 ,  英国 ,  水文気象 ,  *河川流 ,  *河川 ,  非線形性 ,  有効性 ,  事例研究
準シソーラス用語： モデル誤差 ,  サポートベクトル回帰 , 【Automatic Indexing@JST】

著者キーワード (3件)： 計算力学 ,  水文学と水資源 ,  統計解析

分類 (1件)： 湖沼学,河川学  (DC07050J)

タイトルに関連する用語 (5件)： 河川流 ,  予測 ,  機械学習技術 ,  能力 ,  調査