Weekly urban water demand forecasting using a hybrid waveletbootstrap-artificial neural network approach Tygodniowa prognoza zapotrzebowania na wodę w obszarach miejskich określana metodą hybrydową z wykorzystaniem transformaty falkowej-bootstrapu-sztucznej sieci neuronowej
This study developed
a hybrid wavelet–bootstrapartifi cial neural network
(WBANN) model for weekly (one week)
urban water demand forecasting in situations with
limited data availability. The proposed WBANN
method is aimed at improving the accuracy and
reliability of water demand forecasting. Daily
maximum temperature, total precipitation and
water demand data for almost three years were
used in this study. It was concluded that the hybrid
WBANN model was more accurate compared to
the ANN, BANN and WANN methods, and can
be applied successfully for operational water demand
forecasting. The WBANN model simulated
peak water demand very effectively. The better
performance of the WBANN model indicated that
wavelet analysis signifi cantly improved the model’s
performance, whereas the bootstrap technique
improved the reliability of forecasts by producing
ensemble forecasts. The WBANN model was also
found to be effective in assessing the uncertainty
associated with water demand forecasts in terms
of confi dence bands; this can be helpful in operational
water demand forecasting.
W artykule zaproponowano hybrydowy
model (WBANN) wykorzystujący transformatę
falkową, bootstrap i sztuczną sieć neuronową do
opracowania tygodniowej prognozy zapotrzebowania
na wodę w obszarach miejskich przy
ograniczonej dostępności danych. Proponowany
model WBANN ma na celu poprawę trafności
i niezawodności prognozowania zaopatrzenia
w wodę. W analizach wykorzystane zostały dobowe
wartości maksymalnej temperatury, sumy opadów
i zapotrzebowania na wodę z 3-letniego okresu
obserwacji. Stwierdzono, że hybrydowy model
WBANN jest dokładniejszy od modeli ANN,
BANN i WANN i z powodzeniem może być użyty
do operacyjnego prognozowania zapotrzebo zapotrzebowania
na wodę. Model WBANN bardzo skutecznie
prognozuje szczytowy popyt na wodę. Dobre
wyniki otrzymane z modelu WBANN świadczą
o tym, że zastosowana analiza falkowa znacząco
poprawiła dokładność modelu, a metoda bootstrapu
polepszyła niezawodność (wiarygodność) modelu
poprzez prognozowanie ensemblowe. Ocena
niepewności z zastosowaniem przedziału ufności
wykazała dużą trafność prognoz generowanych
przez model WBANN oraz jego przydatność
w operacyjnym wykorzystaniu.
Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies
Informacja
SZANOWNI CZYTELNICY!
UPRZEJMIE INFORMUJEMY, ŻE BIBLIOTEKA FUNKCJONUJE W NASTĘPUJĄCYCH GODZINACH:
Wypożyczalnia i Czytelnia Główna: poniedziałek – piątek od 9.00 do 19.00