Fugu-MT 論文翻訳(概要): Univariate Long-Term Municipal Water Demand Forecasting

論文の概要: Univariate Long-Term Municipal Water Demand Forecasting

arxiv url: http://arxiv.org/abs/2105.08486v1
Date: Tue, 18 May 2021 12:58:24 GMT
ステータス: 処理完了
システム内更新日: 2021-05-19 13:54:41.431574
Title: Univariate Long-Term Municipal Water Demand Forecasting
Title（参考訳）: 不平等な長期水道需要予測
Authors: Blake VanBerlo, Matthew A.S. Ross, Daniel Hsia
Abstract要約: 本研究は,カナダのロンドンにおける都市全体の水消費のモデル化について述べる。 FacebookのProphetメソッドは選択モデルとして認識され、平均絶対パーセンテージエラーは2.51%に達した。提案手法の実装は,他の自治体でも適用可能であるため,オープンソース化されている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This study describes an investigation into the modelling of citywide water consumption in London, Canada. Multiple modelling techniques were evaluated for the task of univariate time series forecasting with water consumption, including linear regression, Facebook's Prophet method, recurrent neural networks, and convolutional neural networks. Prophet was identified as the model of choice, having achieved a mean absolute percentage error of 2.51%, averaged across a 5-fold cross validation. Prophet was also found to have other advantages deemed valuable to water demand management stakeholders, including inherent interpretability and graceful handling of missing data. The implementation for the methods described in this paper has been open sourced, as they may be adaptable by other municipalities.
Abstract（参考訳）: 本研究は,カナダのロンドンにおける都市全体の水消費のモデル化について述べる。線形回帰やfacebookの預言法,リカレントニューラルネットワーク,畳み込みニューラルネットワークなど,水消費を伴う不定時系列予測のタスクに対して,複数のモデリング手法が評価された。命題は選択のモデルとして同定され、5倍のクロス検証で平均2.51%の絶対誤差を達成した。預言者はまた、水需要管理の利害関係者にとって価値のある他の利点があることが判明した。提案手法の実装は,他の自治体でも適用可能であるため,オープンソース化されている。

関連論文リスト

WaterQualityNeT: Prediction of Seasonal Water Quality of Nepal Using Hybrid Deep Learning Models [0.0]
本稿では,ネパールの季節的な水質を予測するためのハイブリッド深層学習モデルを提案する。このモデルは、畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を統合し、データの時間的および空間的パターンを活用する。
論文参考訳（メタデータ） (2024-09-17T05:26:59Z)
TransGlow: Attention-augmented Transduction model based on Graph Neural Networks for Water Flow Forecasting [4.915744683251151]
水量の水量予測は、水管理、洪水予測、洪水制御など様々な用途に有用である。本稿では,GCRN(Graph Convolution Recurrent Neural Network)エンコーダデコーダの隠れ状態を増大させる時間予測モデルを提案する。本稿では,河川,河川,湖上のカナダステーションのネットワークから,新たな水流のベンチマークデータセットを提案する。
論文参考訳（メタデータ） (2023-12-10T18:23:40Z)
Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文参考訳（メタデータ） (2023-09-12T13:28:06Z)
Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
論文参考訳（メタデータ） (2023-07-29T22:49:50Z)
A comparison of machine learning surrogate models of street-scale flooding in Norfolk, Virginia [0.0]
バージニア州ノーフォークを例に挙げた低地の海岸都市は、降雨と潮によって引き起こされる道路洪水の課題に直面している。高忠実で物理に基づくシミュレーションは、都市多重洪水の正確な予測を提供するが、その計算複雑性はリアルタイムアプリケーションには適さない。本研究では,ランダムフォレストアルゴリズムに基づく代理モデルと,Long Short-Term Memory (LSTM) と Gated Recurrent Unit (GRU) の2つのディープラーニングモデルを比較した。
論文参考訳（メタデータ） (2023-07-26T13:24:01Z)
Improving Heterogeneous Model Reuse by Density Estimation [105.97036205113258]
本稿では,異なる参加者の個人データを用いてモデルを学習することを目的とした多人数学習について検討する。モデルの再利用は、各パーティーのためにローカルモデルがトレーニングされていると仮定して、マルチパーティの学習にとって有望なソリューションである。
論文参考訳（メタデータ） (2023-05-23T09:46:54Z)
An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文参考訳（メタデータ） (2023-02-20T16:08:54Z)
Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
論文参考訳（メタデータ） (2021-05-07T09:22:34Z)
A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
論文参考訳（メタデータ） (2020-10-27T17:56:14Z)
A Network Percolation-based Contagion Model of Flood Propagation and Recession in Urban Road Networks [2.5876546798940616]
都市道路網は公共サービスの提供や緊急対応に不可欠である。本研究では,都市道路網における洪水水の時空間拡散・後退過程を数学的に記述する。提案モデルの適用は,2017年のハリケーン・ハーベイにおけるハリス郡の道路洪水の高解像度履歴データを用いて検証された。
論文参考訳（メタデータ） (2020-04-07T17:25:41Z)
Hydrological time series forecasting using simple combinations: Big data testing and investigations on one-year ahead river flow predictability [0.0]
我々は,水文時系列予測の新しい単純で柔軟な方法論を提示し,評価する。この手法は(a)少なくとも2つの個人予測法と(b)予測の中央結合器に依存している。評価は, 約600駅から90年の平均河川流量時系列データを用いて行った。
論文参考訳（メタデータ） (2020-01-02T18:45:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。