Documentos de Académico
Documentos de Profesional
Documentos de Cultura
com
Abstracto— El agua es un recurso fundamental para el desarrollo para la demanda a corto, mediano y largo plazo en redes de
económico y social sostenible de un país. Para mantener la salud y la higiene, distribución de agua [2,3].
la energía y los productos agrícolas, y la gestión del medio ambiente, el agua
juega un papel clave. La predicción de la demanda de agua es esencial para
Para medir una estimación precisa de la demanda de agua, es
analizar los requisitos que indican un estado de emergencia para las
decisiones de gestión del agua. Este artículo explora los datos de uso de agua necesario contar con un algoritmo de autoaprendizaje totalmente dinámico
para las plantas lecheras para comprender los patrones espaciales y y adaptativo. Este artículo evalúa de cerca diferentes algoritmos existentes
temporales de los requisitos futuros de agua y optimizar la estimación de la utilizados para la predicción y su análisis de rendimiento para determinar la
demanda de agua. Utiliza el concepto de algoritmos de aprendizaje precisión.
automático para comparar y lograr un sistema eficaz y confiable para la
predicción del agua.
II. REXALTADOW.ORCOS
Uso autorizado con licencia limitado a: Universidade Estadual de Campinas. Descargado el 9 de marzo de 2024 a las 23:22:36 UTC desde IEEE Xplore. Se aplican restricciones.
La mejora en los algoritmos de aprendizaje automático es capaz de
determinar la relación de series de tiempo no lineales con respecto a las
variables de entrada y las variables objetivo de salida. El algoritmo de
aprendizaje supervisado de la red neuronal de propagación hacia atrás
utilizado en el artículo [8] verifica un modelo eficaz para construir una
estimación de la demanda de agua en un edificio residencial. Por lo tanto, la
construcción de un modelo confiable desempeña un papel útil para la
gestión del agua y la planificación de las políticas de suministro de agua.
Uso autorizado con licencia limitado a: Universidade Estadual de Campinas. Descargado el 9 de marzo de 2024 a las 23:22:36 UTC desde IEEE Xplore. Se aplican restricciones.
Fig 3. Regresión del vector de soporte (SVR)
Fig. 2 Modelo de series temporales de consumo de agua.
B. Método de evaluación
Uso autorizado con licencia limitado a: Universidade Estadual de Campinas. Descargado el 9 de marzo de 2024 a las 23:22:36 UTC desde IEEE Xplore. Se aplican restricciones.
El modelo de serie temporal mostró que los datos eran
estacionarios y tenían patrones similares durante el período
de tiempo en el que se observó el patrón de uso. Para
comprender la precisión de los valores pronosticados, se
realiza una comparación entre el consumo previsto con el
consumo real de la serie temporal por hora y por día.
VCONCLUSIÓN
Fig. 6. Consumo de agua diario real versus previsto Este artículo intentó modelar el consumo previsto de agua
utilizando SVR relacionado con el patrón de uso de agua de una
C. Resultados y discusiones industria láctea para la producción. En comparación con la red
neuronal, el modelo SVR proporcionó una mayor precisión. Este
Del conjunto de datos de muestra total, el 85% de las observaciones se modelo mostró el consumo total que demuestra el uso de agua
utilizaron como datos de entrenamiento y se probaron con el 15% de para la industria con el fin de comprender el suministro de agua
muestras. Existen varios tipos de modelos que se pueden utilizar para crear requerido. En el futuro, se podrá tener más en cuenta la
pronósticos de series temporales en el aprendizaje automático. En caracterización para construir un modelo más preciso.
comparación con una red neuronal, SVR con el método del núcleo RBF
proporciona una mayor precisión para el proceso de aprendizaje de los REFERENCIAS
datos, con un conjunto de datos menor.
[1] V. Kavitha y M. Punithavalli, “Agrupación de flujos de datos de series temporales: un
estudio de la literatura”,Revista Internacional de Ciencias de la Computación y
Seguridad de la Información (IJCSIS), vol. 8, pág. 289-294, 2010.
[2] Y. Seo, S. Kwon y Y.Choi, “Modelo de pronóstico de la demanda de agua a
corto plazo que combina descomposición en modo variacional y
máquina de aprendizaje extremo”.Revista de Hidrología, MDPI, vol. 5,
54; doi:10.3390, 2018.
[3] Antonio Candelieri, “Agrupación y regresión de vectores de soporte para la previsión
de la demanda de agua y la detección de anomalías”.MDPI/Diario/Agua, vol.9,
p.224, 2017.
[4] Emmanuel A. Donkor, SMASCE, Thomas A. Mazzuchi, Refik Soyer3 y J. Alan
Roberson, PE, “Pronóstico de la demanda de agua urbana: revisión de
métodos y modelos”.Revista de planificación y gestión de recursos
hídricos © Asce,vol. 140:146-159, 2014.
[5] Ani Shabri y Ruhaidah Samsudin, “Descomposición en modo empírico: máquina de
vectores de soporte de mínimos cuadrados basada en la previsión de la demanda
de agua.", En t. J. Aplicación avanzada de informática suave, vol. 7, núm. 2, ISSN
2074-2827, 2015.
[6] Ajay Kumar Sampathirao, Juan Manuel Grosso, Pantelis Sopasakis, Carlos
Ocampo-Martine, Alberto Bemporad y Vicenc Puig, “Previsión de la demanda
de agua para el funcionamiento óptimo de redes de agua potable a gran
Fig. 7. Consumo de agua real y previsto
escala: el estudio de caso de Barcelona”.XIX Mundial de la IFAC
Uso autorizado con licencia limitado a: Universidade Estadual de Campinas. Descargado el 9 de marzo de 2024 a las 23:22:36 UTC desde IEEE Xplore. Se aplican restricciones.
Congreso, Ciudad del Cabo, Sudáfrica,págs.10457-10462. ISBN [11] Lucy M. Ironsa, Joby Boxalla, Vanessa Speighta, Barrie Holdenb y Ben Tamb, “Análisis
978-3-902823-62-5, 2014. basado en datos de datos de medidores de flujo de clientes”,13a Conferencia sobre
[7] P. Shinea, MD Murphya, J. Uptonc y T. Scully, "Algoritmos de aprendizaje control informático para la industria del agua, CCWI, vol. 119p. 834
automático para predecir el consumo directo de agua y electricidad en – 843, 2015.
granjas lecheras con pastos".Revista de Computación y Electrónica en [12] Jorge E. Pesantez1, Emily Zechman Berglund., Nikhil Kaza, “Modelización y previsión
Agricultura, © 2018 Elsevier, 0168-1699, 2018. de la demanda de agua a corto plazo informada por medidores inteligentes”, 1er
[8] Dongjun Suh, Hyunyoung Kim y Jinsul Kim, “Estimación de la demanda de agua en Internacional WDSA / CCWI,Conferencia conjunta, Kingston, Ontario, Canadá – 23
edificios residenciales mediante un enfoque de aprendizaje automático”.Quinta al 25 de julio de 2018.
Conferencia Internacional sobre Convergencia y Seguridad de TI (ICITCS) © IEEEvol. [13] I. Duerr, HR Merrill, C. Wang, R. Bai, M. Boyer, M, D. Dukes y N. Bliznyuk,
978-1-4673-6537, 2018. “Previsión de la demanda de agua de los hogares urbanos con métodos
[9] M. Ghiassi. David K. Zimbra y H. Saidane, Previsión de la demanda de agua estadísticos y de aprendizaje automático utilizando grandes datos de
urbana con un modelo dinámico de red neuronal artificial,Revista de espacio-tiempo : Un estudio comparativo",Revista de software y modelado
planificación y gestión de recursos hídricos © Asce,138-146,2008. ambiental, © Elsevier Ltd.,vol.102, p.29-38, 2018.
[10] Yun Bai, Pu Wang, Chuan Li, Jingjing Xie y Yin Wang, “Pronóstico dinámico del [14] Vapnik, VN, La naturaleza de la teoría del aprendizaje estadístico.Springer, Nueva York, Nueva York,
consumo diario de agua urbana utilizando un modelo de regresión de Estados Unidos, 1995.
vectores de soporte de estructura variable”.©Sociedad Estadounidense de [15] Vapnik, VN, La naturaleza de la teoría del aprendizaje estadístico.Springer, Nueva York, Nueva York,
Ingenieros Civiles DOI: 10.1061/(ASCE) WR,1943-5452.0000457, 2014. Estados Unidos, 1998.
Uso autorizado con licencia limitado a: Universidade Estadual de Campinas. Descargado el 9 de marzo de 2024 a las 23:22:36 UTC desde IEEE Xplore. Se aplican restricciones.