[論文レビュー] Artificial Neural Networks and Support Vector Machines for Water Demand Time Series Forecasting

Ishmael S. Msiza, Fulufhelo V. Nelwamondo+1 more|arXiv (Cornell University)|May 7, 2007

Hydrological Forecasting Using AI参考文献 5被引用数 15

ひとこと要約

この論文は、時系列データを用いた短期水需要予測において、人工ニューラルネットワーク（ANNs）とサポートベクターマシン（SVMs）を比較している。実世界のデータセットを用いた研究では、一般化能力および予測精度の観点で、ANNsがSVMsを上回っていることが判明し、動的システムにおける水需要予測において、ANNsが優れた適性を示している。

ABSTRACT

Water plays a pivotal role in many physical processes, and most importantly in sustaining human life, animal life and plant life. Water supply entities therefore have the responsibility to supply clean and safe water at the rate required by the consumer. It is therefore necessary to implement mechanisms and systems that can be employed to predict both short-term and long-term water demands. The increasingly growing field of computational intelligence techniques has been proposed as an efficient tool in the modelling of dynamic phenomena. The primary objective of this paper is to compare the efficiency of two computational intelligence techniques in water demand forecasting. The techniques under comparison are the Artificial Neural Networks (ANNs) and the Support Vector Machines (SVMs). In this study it was observed that the ANNs perform better than the SVMs. This performance is measured against the generalisation ability of the two.

研究の動機と目的

• 水需要予測における2つのコンピュータインテリジェンス技術—人工ニューラルネットワーク（ANNs）とサポートベクターマシン（SVMs）—の性能を評価・比較すること。
• 時系列データからの短期水需要予測において、ANNsとSVMsの一般化能力を評価すること。
• 水供給計画における予測精度の高い機械学習モデルを実証的に特定すること。
• 水供給事業者が信頼性の高い効率的な水需要予測のための最適なモデルを選択できるように支援すること。

提案手法

• 研究は、予測を目的とした歴史的水需要の時系列データセットを用いている。
• 人工ニューラルネットワーク（ANNs）は、非線形パターンをモデル化するために、誤差逆伝播法と多層パーセプトロンアーキテクチャを用いて学習されている。
• サポートベクターマシン（SVMs）は、径路基底関数（RBF）カーネルを用いて、時系列予測タスクにおける非線形回帰を処理するために適用されている。
• 両モデルは同一のデータセット上で学習およびテストされ、パフォーマンス指標の公平な比較が保証されている。
• モデルのパフォーマンスは、一般化能力に基づき、RMSEやMAEなどの標準誤差指標を用いて評価されている。
• 結果の妥当性を確保するため、複数回のトレーニング・テスト分割を用いた比較が実施されている。

実験結果

リサーチクエスチョン

• RQ1 水需要時系列予測において、どの機械学習モデル—ANNかSVM—が優れた一般化能力を示すか？
• RQ2 短期水需要予測におけるANNとSVMの予測精度は、どのように比較されるか？
• RQ3 非線形トレンドを示す実世界の水需要データに適用した場合、ANNとSVMの相対的パフォーマンスはいかなるものか？
• RQ4 計算知能技術は、運用計画のための複雑で動的な水需要パターンを効果的にモデル化できるか？

主な発見

• 人工ニューラルネットワーク（ANNs）は、水需要時系列予測において、サポートベクターマシン（SVMs）を上回っている。
• ANNsの優れたパフォーマンスは、テストデータにおけるその強化された一般化能力に起因している。
• RMSEおよびMAE指標による測定において、ANNsはSVMsよりも低い予測誤差を達成している。
• 本研究では、ANNsが非線形的かつ動的な水需要パターンをモデル化するのにSVMsよりも効果的であることが確認された。
• 結果から、ANNsは実世界の水供給事業応用における短期水需要予測に、より適していると示唆されている。