論文の概要: Using Multivariate Linear Regression for Biochemical Oxygen Demand
Prediction in Waste Water
- arxiv url: http://arxiv.org/abs/2209.14297v1
- Date: Thu, 8 Sep 2022 14:41:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 23:58:42.223929
- Title: Using Multivariate Linear Regression for Biochemical Oxygen Demand
Prediction in Waste Water
- Title(参考訳): 多変量線形回帰を用いた廃水中の生化学的酸素需要予測
- Authors: Isaiah K. Mutai, Kristof Van Laerhoven, Nancy W. Karuri, Robert K.
Tewo
- Abstract要約: 本研究の目的は, 廃棄物水中におけるバイオケミカル酸素負荷(BOD)の予測におけるMLRの有効性を, 4つの入力変数を用いて検討することである。
4つの入力変数は, 相関の強度について検討した7つのパラメータのうち, BODに対する相関強度が高い。
その結果、データセットの80%を超えるトレーニングセットの割合を増やすことで、モデルの精度が向上するだけでなく、モデルの予測能力に大きな影響を与えないことが判明した。
- 参考スコア(独自算出の注目度): 1.9843222704723806
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: There exist opportunities for Multivariate Linear Regression (MLR) in the
prediction of Biochemical Oxygen Demand (BOD) in waste water, using the diverse
water quality parameters as the input variables. The goal of this work is to
examine the capability of MLR in prediction of BOD in waste water through four
input variables: Dissolved Oxygen (DO), Nitrogen, Fecal Coliform and Total
Coliform. The four input variables have higher correlation strength to BOD out
of the seven parameters examined for the strength of correlation. Machine
Learning (ML) was done with both 80% and 90% of the data as the training set
and 20% and 10% as the test set respectively. MLR performance was evaluated
through the coefficient of correlation (r), Root Mean Square Error (RMSE) and
the percentage accuracy in prediction of BOD. The performance indices for the
input variables of Dissolved Oxygen, Nitrogen, Fecal Coliform and Total
Coliform in prediction of BOD are: RMSE=6.77mg/L, r=0.60 and accuracy 70.3% for
training dataset of 80% and RMSE=6.74mg/L, r=0.60 and accuracy of 87.5% for
training set of 90% of the dataset. It was found that increasing the percentage
of the training set above 80% of the dataset improved the accuracy of the model
only but did not have a significant impact on the prediction capacity of the
model. The results showed that MLR model could be successfully employed in the
estimation of BOD in waste water using appropriately selected input parameters.
- Abstract(参考訳): 多変量線形回帰(MLR)は, 各種水質パラメータを入力変数として, 廃水中の生化学的酸素負荷(BOD)の予測に有効である。
本研究の目的は, 溶存酸素(do), 窒素, 糞便, 総大腸菌の4つの入力変数を通して, 廃水中のbodの予測におけるmlrの能力を検討することである。
4つの入力変数は, 相関の強度について検討した7つのパラメータのうち, BODに対する相関強度が高い。
機械学習(ML)は、トレーニングセットとして80%と90%のデータ、それぞれテストセットとして20%と10%で実施された。
相関係数 (r), Root Mean Square Error (RMSE) とBOD予測におけるパーセンテージ精度を用いてMLR性能を評価した。
BOD予測における溶存酸素、窒素、Fecal ColiformおよびTotal Coliformの入力変数のパフォーマンス指標は、RMSE=6.77mg/L、r=0.60、精度70.3%、RMSE=6.74mg/L、r=0.60、精度87.5%である。
その結果、データセットの80%を超えるトレーニングセットの割合を増やすことで、モデルの精度が向上するだけでなく、モデルの予測能力に大きな影響を与えないことが判明した。
その結果, 適切に選択された入力パラメータを用いて, 廃水中のBOD推定にMLRモデルを適用できることが示唆された。
関連論文リスト
- Analyzing Spatio-Temporal Dynamics of Dissolved Oxygen for the River Thames using Superstatistical Methods and Machine Learning [0.0]
テムズ川における溶存酸素量の予測には,数値計算法と機械学習を用いる。
長期的な予測では、Informerモデルは一貫して優れたパフォーマンスを提供する。
論文 参考訳(メタデータ) (2025-01-10T16:54:52Z) - Calibrating Language Models with Adaptive Temperature Scaling [58.056023173579625]
本稿では,各トークンの温度スケーリングパラメータを予測するポストホックキャリブレーション法であるAdaptive Temperature Scaling (ATS)を紹介する。
ATSは、以前のキャリブレーション法と比較して、3つの下流自然言語評価ベンチマークで10-50%以上のキャリブレーションを改善する。
論文 参考訳(メタデータ) (2024-09-29T22:54:31Z) - LLMs & XAI for Water Sustainability: Seasonal Water Quality Prediction with LIME Explainable AI and a RAG-based Chatbot for Insights [0.0]
本稿では,複数の水質パラメータを持つ小さなデータセットを用いて,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ディープラーニングモデルを提案する。
CatBoost、XGBoost、Extra Trees、LightGBMは、CNN層とRNN層を組み合わせたニューラルネットワークとともに、データの時間的および空間的パターンをキャプチャするために使用される。
このモデルは顕著な精度の向上を示し、プロアクティブな水質管理を支援した。
論文 参考訳(メタデータ) (2024-09-17T05:26:59Z) - Impact of Comprehensive Data Preprocessing on Predictive Modelling of COVID-19 Mortality [0.0]
本研究では、新型コロナウイルスの死亡率を予測する10の機械学習モデルに対する、カスタムデータ前処理パイプラインの影響を評価する。
私たちのパイプラインは、標準的な前処理パイプラインと4つの重要なステップで異なります。
論文 参考訳(メタデータ) (2024-08-15T13:23:59Z) - Improving Bias Correction Standards by Quantifying its Effects on Treatment Outcomes [54.18828236350544]
Propensity score matching (PSM) は、分析のために同等の人口を選択することで選択バイアスに対処する。
異なるマッチング手法は、すべての検証基準を満たす場合でも、同じタスクに対する平均処理効果(ATE)を著しく異なるものにすることができる。
この問題に対処するため,新しい指標A2Aを導入し,有効試合数を削減した。
論文 参考訳(メタデータ) (2024-07-20T12:42:24Z) - Optimizing PM2.5 Forecasting Accuracy with Hybrid Meta-Heuristic and Machine Learning Models [0.0]
本研究は,支援ベクトル回帰(SVR)を用いた時間PM2.5濃度の予測に焦点を当てた。
予測精度を高めるために,メタヒューリスティックアルゴリズム,Grey Wolf Optimization (GWO) および Particle Swarm Optimization (PSO) を用いる。
その結果、PSO-SVR(R2: 0.9401, RMSE: 0.2390, MAE: 0.1368)とGWO-SVR(R2: 0.9408, RMSE: 0.2376, MAE: 0.1373)の大幅な改善が見られた。
論文 参考訳(メタデータ) (2024-07-01T05:24:19Z) - Photoelectric Factor Prediction Using Automated Learning and Uncertainty
Quantification [0.0]
光電率(PEF)は、異なる種類の貯水池岩を識別するための重要な井戸検層ツールである。
岩石鉱物の比は、PEFログと他の井戸ログを組み合わせることで決定できる。
しかし、古い井戸の丸太やバリウムベースの泥で掘削された井戸など、一部のケースではPEFログが欠落する可能性がある。
論文 参考訳(メタデータ) (2022-06-17T18:03:38Z) - Alexa Teacher Model: Pretraining and Distilling Multi-Billion-Parameter
Encoders for Natural Language Understanding Systems [63.713297451300086]
本研究では,700Mから9.3Bまでの非埋め込みパラメータ数を持つ事前学習エンコーダの大規模実験結果について述べる。
その後、17M-170Mパラメータからより小さなモデルに蒸留し、仮想アシスタントシステムの自然言語理解(NLU)コンポーネントに応用した。
論文 参考訳(メタデータ) (2022-06-15T20:44:23Z) - Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。
その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
論文 参考訳(メタデータ) (2021-02-02T09:34:34Z) - Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。
MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
論文 参考訳(メタデータ) (2020-02-26T06:10:12Z) - Localized Debiased Machine Learning: Efficient Inference on Quantile
Treatment Effects and Beyond [69.83813153444115]
因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。
Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。
本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
論文 参考訳(メタデータ) (2019-12-30T14:42:52Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。