[논문 리뷰] Artificial Neural Networks and Support Vector Machines for Water Demand Time Series Forecasting

Ishmael S. Msiza, Fulufhelo V. Nelwamondo외 1명|arXiv (Cornell University)|2007. 05. 07.

Hydrological Forecasting Using AI참고 문헌 5인용 수 15

한 줄 요약

이 논문은 시계열 데이터를 사용하여 단기 수요 예측을 위한 인공신경망(ANNs)과 서포트벡터기계(SVMs)를 비교한다. 실제 세계 데이터셋을 사용하여 연구는 일반화 능력과 예측 정확도 측면에서 ANNs가 SVMs를 능가함을 발견하며, 이는 역동적 시스템에서의 수자원 수요 예측에 있어 ANNs의 열등한 적합성을 입증한다.

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.

연구 동기 및 목표

• 수요 예측에서 두 가지 계산 지능 기법—인공신경망(ANNs)과 서포트벡터기계(SVMs)—의 성능을 평가하고 비교하기.
• 시계열 데이터에서 단기 수요 예측에 있어 ANNs와 SVMs의 일반화 능력을 평가하기.
• 수자원 공급 계획을 위한 예측 정확도 측면에서 어떤 기계학습 모델이 더 우수한지에 대한 실증적 증거를 제공하기.
• 수자원 기관이 신뢰성 있고 효율적인 수요 예측을 위한 최적의 모델을 선택할 수 있도록 지원하기.

제안 방법

• 연구는 수요 예측을 위한 역사적 수요 시계열 데이터셋을 활용한다.
• 인공신경망(ANNs)은 비순환 전파와 다층퍼셉트론 아키텍처를 사용하여 수요 데이터의 비선형 패턴을 모델링하기 위해 훈련된다.
• 서포트벡터기계(SVMs)는 비선형 회귀 작업을 처리하기 위해 반경기반함수(RBF) 커널을 사용하여 적용된다.
• 두 모델은 동일한 데이터셋을 사용하여 훈련 및 테스트되어 성능 지표에 대한 공정한 비교를 보장한다.
• 모델 성능은 일반화 능력에 기반하여 RMSE 및 MAE와 같은 표준 오차 지표를 사용해 평가된다.
• 결과의 강건성을 확보하기 위해 여러 개의 훈련 및 테스트 분할에 걸쳐 비교가 수행된다.

실험 결과

연구 질문

• RQ1 수요 예측 시계열에서 ANNs와 SVMs 중 어느 기계학습 모델이 더 뛰어난 일반화 능력을 보여주는가?
• RQ2 ANNs와 SVMs는 단기 수요 예측 정확도 측면에서 어떻게 비교되는가?
• RQ3 비선형 추세를 포함한 실제 수자원 수요 데이터에 적용했을 때 ANNs와 SVMs의 상대적 성능는 어떠한가?
• RQ4 계산 지능 기법은 운영 계획을 위한 복잡하고 역동적인 수요 패턴을 효과적으로 모델링할 수 있는가?

주요 결과

• 인공신경망(ANNs)은 수요 시계열 예측에서 서포트벡터기계(SVMs)를 능가한다.
• ANNs의 뛰어난 성능는 테스트 데이터에서 향상된 일반화 능력 덕분이다.
• RMSE 및 MAE 지표로 측정했을 때 ANNs는 예측 오차가 SVMs보다 낮다.
• 연구는 ANNs가 비선형적이고 역동적인 수요 패턴을 모델링하는 데 더 효과적이라고 확인한다.
• 결과는 ANNs가 실제 수자원 기관 응용 분야에서 단기 수요 예측에 더 적합하다는 것을 시사한다.