[论文解读] 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 15

一句话总结

本文比较了人工神经网络（ANNs）和支持向量机（SVMs）在使用时间序列数据进行短期供水量预测中的表现。基于真实世界的数据集，研究发现ANNs在泛化能力和预测精度方面优于SVMs，表明其在动态系统中的供水量预测中具有更优的适用性。

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.

研究动机与目标

• 评估并比较两种计算智能技术——人工神经网络（ANNs）和支持向量机（SVMs）——在供水量预测中的表现。
• 评估ANNs与SVMs在从时间序列数据预测短期供水量时的泛化能力。
• 提供实证证据，说明哪种机器学习模型在供水规划中能提供更高的预测精度。
• 为供水机构在选择最优模型以实现可靠且高效的供水量预测提供支持。

提出的方法

• 本研究采用历史供水量的时间序列数据集进行预测建模。
• 使用反向传播算法和多层感知器架构训练人工神经网络（ANNs），以捕捉需求数据中的非线性模式。
• 采用径向基函数（RBF）核函数的支撑向量机（SVMs）进行非线性回归，以应对时间序列预测任务。
• 两个模型均在相同数据集上进行训练和测试，以确保性能指标比较的公平性。
• 基于标准误差指标（如RMSE和MAE）评估模型的泛化能力。
• 通过多次不同的训练与测试数据划分，确保结果的稳健性。

实验结果

研究问题

• RQ1 在供水量时间序列预测中，哪种机器学习模型——ANN或SVM——展现出更优的泛化能力？
• RQ2 在短期供水量预测中，ANNs与SVMs在预测精度方面如何比较？
• RQ3 当应用于具有非线性趋势的真实供水量数据时，ANNs与SVMs的相对表现如何？
• RQ4 计算智能技术能否有效建模复杂且动态的供水量模式，以支持运营规划？

主要发现

• 人工神经网络（ANNs）在供水量时间序列预测中表现优于支持向量机（SVMs）。
• ANNs的优越表现归因于其在测试数据上更强的泛化能力。
• ANNs的预测误差低于SVMs，这一结果通过RMSE和MAE指标得到验证。
• 研究证实，ANNs在建模非线性和动态供水量模式方面比SVMs更有效。
• 结果表明，ANNs在真实供水机构应用中的短期供水量预测中更具适用性。