Forecasting Urban Water Demand Via Wavelet-Denoising and Neural Network Models. Case Study: City of Syracuse, Italy

Hệ Anfis Cho Bài Toán Dự Báo Dữ Liệu Chuỗi Thời Gian Và Ứng Dụng

“…Có nhiều bài toán dự báo dữ liệu chuỗi thời gian dựa trên mô hình mạng neural như: dự báo nguồn tài nguyên nước [5], dự báo lượng điện cần tải cho thành phố [22], dự báo sự biến đổi của năng lượng mặt trời [24], dự báo mức độ ô nhiễm môi trường [18],… Ngoài ra, một số bài toán áp dụng hệ thống suy luận mờ FIS (Fuzzy Inference System) để đưa ra các dự báo như: dự báo chỉ số chứng khoán [26], dự báo tỷ giá thông qua kỹ thuật tính toán DNA [10], dự báo sự biến động của giá cả thị trường cổ phiếu [12], hệ hỗ trợ ra quyết định chiến lược kinh doanh [8],… Mô hình dự báo neuro-fuzzy ANFIS dựa trên sự kết hợp giữa mô hình mạng neural và hệ suy luận mờ FIS cũng được đề cập trong nhiều công trình nghiên cứu như phân loại phương tiện và lưu lượng giao thông trong các ứng dụng vận chuyển [17], dự báo sự hỏng hóc của máy móc [27], xác định xác suất xảy ra dịch sốt xuất huyết ở Bangladesh [4], kỹ thuật mạng neural kết hợp với suy luận mờ để dự báo giá cổ phiếu, nhiệt độ, bán hàng, sản xuất cây trồng [23], xây dựng mô hình F-CONFIS (Fully Connected Neuro-Fuzzy Inference System) để dự báo nhiều dạng dữ liệu đầu ra [7], xây dựng kiến trúc mạng neuro-fuzzy và thuật toán suy luận mờ để dự báo dữ liệu tương lai [11], hệ thống suy luận kết hợp giữa logic mờ và mạng neural, mô hình phân lớp dựa trên mạng neuro-fuzzy [13],… Theo tài liệu [9], A. S. George tiếp cận mô hình ANFIS để dự báo sản lượng sữa của hai nông trại. Theo tài liệu [20], M. D. Murphy tiếp cận bài toán dự báo sản lượng sữa và so sánh kết quả bằng nhiều phương pháp khác nhau.…”

A Probabilistic Short-Term Water Demand Forecasting Model Based on the Markov Chain

“…Various water demand forecasting models based on data-driven techniques, in particular artificial neural networks (ANN), have recently been proposed [3,[7][8][9][10][11][12][13][14]. A different approach to demand forecasting is based on the representation of periodic behaviours that typically characterise water demands.…”

Water demand forecasting using extreme learning machines

“…Given the advent of climate change, these problems will likely become more acute in the future [SAADAT et al 2011;ARAGHI et al 2015]. Accurate forecasting of short-term water demand can contribute to the efficient operation and management of urban water supply systems, resulting in demand being met efficiently and sustainably CAMPISI-PINTO et al 2012;TIWARI, ADAMOWSKI 2014]. The estimation of future urban water demand is therefore essential to the sustainable planning of regional water-supply systems TIWARI, ADAMOWSKI 2015a, b;ZHOU et al 2002].…”