文献

J-GLOBAL ID：202202233958111344   整理番号：22A0856552

池における正確な短期および長期溶存酸素予測のためのハイブリッドXGBoost-ISSA-LSTMモデル【JST・京大機械翻訳】

A hybrid XGBoost-ISSA-LSTM model for accurate short-term and long-term dissolved oxygen prediction in ponds

著者 (12件)： Wu Yuhan (National Innovation Center for Digital Fishery, China Agricultural University, Beijing, People’s Republic of China) ,  Wu Yuhan (Precision Agricultural Technology Integration Research Base (Fishery), Ministry of Agriculture and Rural Affairs, Beijing, China) ,  Wu Yuhan (College of Information and Electrical Engineering, China Agricultural University, Beijing, China) ,  Sun Longqing (National Innovation Center for Digital Fishery, China Agricultural University, Beijing, People’s Republic of China) ,  Sun Longqing (Precision Agricultural Technology Integration Research Base (Fishery), Ministry of Agriculture and Rural Affairs, Beijing, China) ,  Sun Longqing (College of Information and Electrical Engineering, China Agricultural University, Beijing, China) ,  Sun Xibei (National Innovation Center for Digital Fishery, China Agricultural University, Beijing, People’s Republic of China) ,  Sun Xibei (Precision Agricultural Technology Integration Research Base (Fishery), Ministry of Agriculture and Rural Affairs, Beijing, China) ,  Sun Xibei (College of Information and Electrical Engineering, China Agricultural University, Beijing, China) ,  Wang Boning (National Innovation Center for Digital Fishery, China Agricultural University, Beijing, People’s Republic of China) ,  Wang Boning (Precision Agricultural Technology Integration Research Base (Fishery), Ministry of Agriculture and Rural Affairs, Beijing, China) ,  Wang Boning (College of Information and Electrical Engineering, China Agricultural University, Beijing, China)
資料名： Environmental Science and Pollution Research  (Environmental Science and Pollution Research)
巻： 29  号： 12  ページ： 18142-18159  発行年： 2022年 
JST資料番号： W4325A  ISSN： 0944-1344  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： 溶存酸素(DO)は池の水質を測定する最も重要な因子の一つであり,水生生物の健全な成長に大きく影響する。DOの予測精度を改善し,その変化傾向を把握するため,改良狭こと探索アルゴリズム(ISA)によって最適化された長い短期メモリネットワーク(LSTM)に基づく新しいハイブリッドDO予測モデルを提案した。最初に,冗長な情報を捨てて,モデルの計算速度を改善するために,DOとより大きな相関を持つ主要因を,極端な勾配ブースティング(XGBoost)によって入力パラメータとして選択した。第2に,sparrowsの検索範囲を拡大して,グローバルおよび局所的探索のバランスをとるために,著者らは,生産者のための適応因子指数減少戦略と,反復の増加によって非線形的に減少するスカウターのためのアークシン減少戦略を導入した。そのうえ,著者らはまた,スケーターの位置更新を改善し,スポールを徐々に最良の位置に移動させる。最後に,LSTMをISSAによって最適化し,XGBoost-ISA-LSTM DO予測モデルを構築するために,最良の初期重みと閾値を得た。特に,DOの短期予測(約1時間,2時間)と長期予測(約12時間,24時間を含む)を可能にする水質予測の方法を最初に解析した。1時間予測において,モデルの二乗平均平方根誤差(RMSE)は0.5571であり,平均絶対誤差(MAE)は0.2572であり,R2は0.9276であった。24時間の予測では,モデルのRMSEは0.6310,MAEは0.4562,R2は0.9082であった。実験結果は,提案モデルが他の一般的モデルと比較してより良い一般化性能とより高い予測精度を有することを示した。したがって,XGBoost-ISSA-LSTMに基づく提示モデルはより効果的であり,DOの正確な予測の実際の要求を満たすことができた。Copyright The Author(s), under exclusive licence to Springer-Verlag GmbH Germany, 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： アルゴリズム ,  最適化 ,  冗長性 ,  水質 ,  ネットワーク ,  精度 ,  *溶存酸素 ,  生産者 ,  計算機処理速度 ,  *モデル ,  短期予測 ,  長期予測 ,  機械学習 ,  予測モデル
準シソーラス用語： 予測精度 ,  ブースティング ,  探索アルゴリズム , 【Automatic Indexing@JST】

著者キーワード (5件)： XGBoost ,  改良されたスパース探索アルゴリズム ,  長期短期記憶ネットワーク ,  溶存酸素含有量予測 ,  パラメータ最適化

分類 (2件)： ニューロコンピュータ  (JC06010Q) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (7件)： 池 ,  短期 ,  長期 ,  溶存酸素 ,  予測 ,  LSTM ,  モデル