文献

J-GLOBAL ID：202202232554960675   整理番号：22A0451168

機械学習モデルによる極値勾配ブースティング特徴選択アプローチの統合:天候相対湿度予測の適用【JST・京大機械翻訳】

Integration of extreme gradient boosting feature selection approach with machine learning models: application of weather relative humidity prediction

著者 (6件)： Tao Hai (Computer Science Department, Baoji University of Arts and Sciences, Shaanxi, China) ,  Awadh Salih Muhammad (Department of Geology, College of Science, University of Baghdad, Baghdad, Iraq) ,  Salih Sinan Q. (Computer Science Department, Dijlah University College, Baghdad, Iraq) ,  Shafik Shafik S. (Experimental Nuclear Radiation Research Group, Scientific Research Center, Al-Ayen University, Thi-Qar, Iraq) ,  Yaseen Zaher Mundher (New Era and Development in Civil Engineering Research Group, Scientific Research Center, Al-Ayen University, Thi-Qar, Iraq) ,  Yaseen Zaher Mundher (College of Creative Design, Asia University, Taichung City, Taiwan)
資料名： Neural Computing & Applications  (Neural Computing & Applications)
巻： 34  号： 1  ページ： 515-533  発行年： 2022年 
JST資料番号： W0703A  ISSN： 0941-0643  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 相対湿度(RH)は,高度に確率的である水文学サイクルにおける重要なプロセスの一つである。正確なRH予測は,いくつかの水資源工学実践にとって非常に有益である。本研究では,RHプロセスをシミュレートするためのサポートベクトル回帰,ランダムフォレスト(RF),および多変量適応回帰スプライン(MARS)モデルと組み合わせた,極端勾配ブースティング(XGBoost)アプローチ「選択的入力パラメータ」を結合させた。Iraq地域に位置する2つの観測所(KutとMosul)の気象データを事例研究として選択した。モデル評価には,数値とグラフィック指標を用いた。一般に,すべてのモデルは良好な予測性能を明らかにした。さらに,研究知見は,RHシミュレーションのためのすべての気象データの重要性を立証した。さらに,XGBoostアプローチの統合は,両ステーションでのRHシミュレーションのための必須パラメータを抽象化し,より少ない入力パラメータで良好な予測可能性を達成した。Kut観測所では,RFモデルは,最大気温と蒸発パラメータを用いて,最小自乗平均誤差(RMSE=4.92)と平均絶対誤差(MAE=3.89)で,最良の予測結果を達成した。MARSモデルは,最小(RMSE=3.80とMAE=2.86)の全ての利用気候パラメータを用いて,Mosul観測所で最良の予測結果を報告した。全体として,研究結果は,半乾燥環境内の異なる座標でRHをモデル化するための提案した結合機械学習モデルの能力を証明した。Copyright The Author(s), under exclusive licence to Springer-Verlag London Ltd., part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： シミュレーション ,  蒸発 ,  気温 ,  *学習モデル ,  気象 ,  気候 ,  気象データ ,  *特徴選択 ,  スプライン ,  事例研究 ,  *機械学習 ,  予測可能性
準シソーラス用語： ランダムフォレスト ,  *天候 ,  サポートベクトル回帰 , 【Automatic Indexing@JST】

著者キーワード (4件)： 相対湿度 ,  XGBoost特徴選択 ,  気象確率 ,  機械学習

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (8件)： 学習モデル ,  極値 ,  勾配ブースティング ,  特徴選択 ,  統合 ,  天候 ,  相対湿度 ,  予測