論文の概要: A Novel Deep Neural Network Architecture for Real-Time Water Demand Forecasting

• arxiv url: http://arxiv.org/abs/2512.06714v1
• Date: Sun, 07 Dec 2025 08:08:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.485566
• Title: A Novel Deep Neural Network Architecture for Real-Time Water Demand Forecasting
• Title（参考訳）: リアルタイム水需要予測のための新しいディープニューラルネットワークアーキテクチャ
• Authors: Tony Salloom, Okyay Kaynak, Wei He,
• Abstract要約: 短期給水予測(StWDF)は、給水システムの最適制御計画の導出の基礎石である。 ディープラーニング(DL)アプローチは、この目的のために最も正確なソリューションを提供する。 極端点における高い予測誤差に加えて、膨大な数のパラメータが原因で複雑な問題に悩まされる。 本研究では,これらの点における誤差を緩和する有効な手法を提案し,実際のデータに仮想データを挿入することでデータを拡張し,その周囲の非線形性を緩和する手法を提案する。
• 参考スコア（独自算出の注目度）: 5.245789705523088
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Short-term water demand forecasting (StWDF) is the foundation stone in the derivation of an optimal plan for controlling water supply systems. Deep learning (DL) approaches provide the most accurate solutions for this purpose. However, they suffer from complexity problem due to the massive number of parameters, in addition to the high forecasting error at the extreme points. In this work, an effective method to alleviate the error at these points is proposed. It is based on extending the data by inserting virtual data within the actual data to relieve the nonlinearity around them. To our knowledge, this is the first work that considers the problem related to the extreme points. Moreover, the water demand forecasting model proposed in this work is a novel DL model with relatively low complexity. The basic model uses the gated recurrent unit (GRU) to handle the sequential relationship in the historical demand data, while an unsupervised classification method, K-means, is introduced for the creation of new features to enhance the prediction accuracy with less number of parameters. Real data obtained from two different water plants in China are used to train and verify the model proposed. The prediction results and the comparison with the state-of-the-art illustrate that the method proposed reduces the complexity of the model six times of what achieved in the literature while conserving the same accuracy. Furthermore, it is found that extending the data set significantly reduces the error by about 30%. However, it increases the training time.
• Abstract（参考訳）: 短期給水予測(StWDF)は、給水システムの最適制御計画の導出の基礎石である。 ディープラーニング(DL)アプローチは、この目的のために最も正確なソリューションを提供する。 しかし、極端点における高い予測誤差に加えて、膨大な数のパラメータが原因で複雑な問題に悩まされる。 本研究では,これらの点における誤差を緩和する効果的な手法を提案する。 仮想データを実際のデータに挿入することでデータを拡張し、周囲の非線形性を緩和する。 私たちの知る限りでは、極端点に関連する問題を考える最初の研究である。 さらに,本研究で提案する水需要予測モデルは,比較的複雑さの低い新しいDLモデルである。 基本モデルは、ゲートリカレントユニット(GRU)を用いて、過去の需要データにおけるシーケンシャルな関係を処理し、新しい特徴を作成するために、教師なし分類手法であるK-meansを導入し、パラメータの少ない予測精度を高める。 中国における2つの異なる水田から得られた実データを用いて,提案したモデルをトレーニングし,検証する。 予測結果と最先端技術との比較により,提案手法は,同精度を維持しながら,文献の6倍の複雑さを低減させることを示した。 さらに,データセットの拡張により誤差が約30%減少することが判明した。 しかし、これはトレーニング時間を増加させる。

関連論文リスト

• Lightweight Task-Oriented Semantic Communication Empowered by Large-Scale AI Models [66.57755931421285]
  大規模人工知能(LAI)モデルは、リアルタイム通信シナリオにおいて重大な課題を提起する。 本稿では,LAIモデルから知識を抽出・凝縮するために知識蒸留(KD)技術を活用することを提案する。 本稿では,反復推論の必要性を排除したプレストア圧縮機構を備えた高速蒸留法を提案する。
  論文  参考訳（メタデータ） (2025-06-16T08:42:16Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• DF2: Distribution-Free Decision-Focused Learning [30.288876294435294]
  決定中心学習(DFL)は,予測列最適化問題に対する強力なアプローチとして登場した。 DFLはモデル誤差、サンプル平均近似誤差、近似誤差の3つのボトルネックに直面している。 本稿では,この3つのボトルネックを緩和する決定自由学習手法であるDF2を提案する。
  論文  参考訳（メタデータ） (2023-08-11T00:44:46Z)
• A DeepONet multi-fidelity approach for residual learning in reduced order modeling [0.0]
  本稿では,多面的視点とDeepONetsを利用して,縮小順序モデルの精度を高める新しい手法を提案する。 モデル削減を機械学習残差学習と組み合わせて、上記の誤りをニューラルネットワークで学習し、新しい予測のために推論することを提案する。
  論文  参考訳（メタデータ） (2023-02-24T15:15:07Z)
• 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)
• SWAT Watershed Model Calibration using Deep Learning [0.860255319568951]
  深層学習(DL)を用いたSWATモデルの校正のための高速で正確で信頼性の高い手法を提案する。 畳み込みニューラルネットワークに基づくDL対応逆モデルを構築し,ストリームフローデータを取り込み,SWATモデルパラメータを推定する。 その結果,従来のパラメータ推定法よりもDLモデルに基づくキャリブレーションが優れていることがわかった。
  論文  参考訳（メタデータ） (2021-10-06T22:56:23Z)
• Artificial Intelligence Hybrid Deep Learning Model for Groundwater Level Prediction Using MLP-ADAM [0.0]
  本稿では,多層パーセプトロンを用いて地下水位をシミュレーションする。 この問題には適応モーメント推定アルゴリズムも用いられる。 その結果,ディープラーニングアルゴリズムは高精度な予測が可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T10:11:45Z)
• Churn Reduction via Distillation [54.5952282395487]
  本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。 次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T18:03:31Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)

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。