文献

J-GLOBAL ID：202202244875862518   整理番号：22A1036981

アンサンブル学習を用いた鉄鋼産業における需要予測へのアプローチ【JST・京大機械翻訳】

An Approach for Demand Forecasting in Steel Industries Using Ensemble Learning

著者 (9件)： Raju S. M. Taslim Uddin (Department of Computer Science and Engineering, Khulna University of Engineering & Technology, Khulna 9203, Bangladesh) ,  Sarker Amlan (Department of Computer Science and Engineering, Daffodil International University, Dhaka 1207, Bangladesh) ,  Das Apurba (Department of Industrial Engineering and Management, Khulna University of Engineering & Technology, Khulna 9203, Bangladesh) ,  Islam Md. Milon (Department of Computer Science and Engineering, Khulna University of Engineering & Technology, Khulna 9203, Bangladesh) ,  Al-Rakhami Mabrook S. (Research Chair of Pervasive and Mobile Computing, Information Systems Department, College of Computer and Information Sciences, King Saud University, Riyadh 11543, Saudi Arabia) ,  Al-Amri Atif M. (Research Chair of Pervasive and Mobile Computing, Information Systems Department, College of Computer and Information Sciences, King Saud University, Riyadh 11543, Saudi Arabia) ,  Al-Amri Atif M. (Software Engineering Department, College of Computer and Information Sciences, King Saud University, Riyadh 11543, Saudi Arabia) ,  Mohiuddin Tasniah (Department of Computer Science and Engineering, Military Institute of Science and Technology, Dhaka 1216, Bangladesh) ,  Albogamy Fahad R. (Computer Sciences Program, Turabah University College, Taif University, Taif 21944, Saudi Arabia)
資料名： Complexity  (Complexity)
巻： 2022  ページ： Null  発行年： 2022年 
JST資料番号： W2044A  ISSN： 1076-2787  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： 本論文は,データ前処理,データ変換および標準化,特徴選択,交差検証,および回帰アンサンブルフレームワークを含む需要を予測するためのロバストフレームワークを導入することを目的とする。バギング(ランダムフォレスト回帰(RFR)),ブースティング(勾配ブースティング回帰(GBR)および極端な勾配ブースティング回帰(XGBR))および積層(STACK)をアンサンブルモデルとして用いた。サポートベクトル回帰(SVR),極端学習機械(ELM)および多層パーセプトロンニューラルネットワーク(MLP)を含む異なる機械学習(ML)アプローチを,参照モデルとして採用した。決定係数([数式:原文を参照])値を最大化し,二乗平均平方根誤差(RMSE)を低減するために,ハイパーパラメータを格子探索法を用いて設定した。鉄鋼産業データセットを用いて,全ての試験を同一の実験条件下で行った。この文脈において,STACK_1(ELM+GBR+XGBR-SVR)およびSTACK_2(ELM+GBR+XGBR-LASSO)モデルは,他のモデルより良好な性能を示した。STACK_1とSTACK_2を用いて,それぞれ0.97と0.97のR_2の最高精度が得られた。さらに,性能に従ったランクはSTACK_1,STACK_2,XGBR,GBR,RFR,MLP,ELM,およびSVRである。それは,モデルの性能を改善し,意思決定のリスクを減らすので,アンサンブル法は,1カ月前に鉄鋼業の需要を予測するために使用できる。Copyright 2022 S. M. Taslim Uddin Raju et al. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 意思決定 ,  回帰分析 ,  データ変換 ,  標準化 ,  係数 ,  *需要予測 ,  特徴選択 ,  計算機アルゴリズム ,  規範モデル ,  ロバスト性 ,  機械学習 ,  サポートベクトルマシン ,  フレームワーク【ソフトウェア開発】
準シソーラス用語： *アンサンブル学習 ,  ブースティング ,  ランダムフォレスト ,  決定係数 ,  サポートベクトル回帰 ,  ハイパーパラメータ , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (47件)：

• W. J. Stevenson, M. Hojati, J. Cao, Operations Management, McGraw-Hill Irwin, New York, NY, USA, 2007.
• V. Bianco, O. Manca, S. Nardini, A. A. Minea, "Analysis and forecasting of nonresidential electricity consumption in Romania," Applied Energy, vol. 87, no. 11, pp. 3584-3590, 2010.
• A. Azadeh, S. F. Ghaderi, S. Sohrabkhani, "Forecasting electrical consumption by integration of neural network, time series and anova," Applied Mathematics and Computation, vol. 186, no. 2, pp. 1753-1761, 2007.
• M. Manera, A. Marzullo, "Modelling the load curve of aggregate electricity consumption using principal components," Environmental Modelling & Software, vol. 20, no. 11, pp. 1389-1400, 2005.
• V. Ş. Ediger, S. Akar, "Arima forecasting of primary energy demand by fuel in Turkey," Energy Policy, vol. 35, no. 3, pp. 1701-1708, 2007.

タイトルに関連する用語 (3件)： アンサンブル学習 ,  鉄鋼産業 ,  需要予測