La estrategia de evolución de adaptación de matriz de covarianza para mejorar enfoques de aprendizaje automático en la predicción de caudales
Autores: Ikram, Rana Muhammad Adnan; Goliatt, Leonardo; Kisi, Ozgur; Trajkovic, Slavisa; Shahid, Shamsuddin
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
La estrategia de evolución de adaptación de matriz de covarianza para mejorar enfoques de aprendizaje automático en la predicción de caudales
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Estimación de caudal
Modelos de aprendizaje automático
Estrategia de evolución de matriz de covarianza
Máquina de aprendizaje extremo
Regresión de vector de soporte
SVR de mínimos cuadrados
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
La estimación precisa del caudal de los ríos juega un papel clave en el uso óptimo de los recursos hídricos, en las operaciones de embalses y en el diseño y planificación de futuros proyectos de energía hidroeléctrica. Los modelos de aprendizaje automático se han utilizado con éxito para estimar el caudal de los ríos en los últimos años. En este estudio, se utilizó un nuevo enfoque, la estrategia de evolución de la matriz de covarianza (CMAES), para mejorar la precisión de siete modelos de aprendizaje automático, a saber, máquina de aprendizaje de aprendizaje extremo (ELM), red elástica (EN), regresión de procesos gaussianos (GPR), regresión de vectores de soporte (SVR), regresión de mínimos cuadrados SVR (LSSVR), aumento extremo de gradientes (XGB) y red neuronal de función de base radial (RBFNN), en la predicción del caudal de los ríos. El CMAES se utilizó para ajustar adecuadamente los parámetros de control de estos modelos de aprendizaje automático seleccionados. Se decidieron siete combinaciones de entradas para estimar el caudal de los ríos basadas en valores anteriores de temperatura y caudal de los ríos rezagados. Para la comparación de la precisión de la predicción numérica de estos modelos de aprendizaje automático, se utilizan seis índices estadísticos, es decir, error cuadrático medio relativo (RRMSE), error absoluto medio (MAE), error porcentual absoluto medio (MAPE), eficiencia de Nash-Sutcliffe (NSE) y el índice de acuerdo de eficiencia de Kling-Gupta (KGE). En contraste, este estudio utiliza gráficos de dispersión, gráficos de radar y diagramas de Taylor para la comparación gráfica de la precisión predicha. Los resultados muestran que SVR proporcionó resultados más precisos que los otros métodos, especialmente para los casos de entrada de temperatura. En contraste, en algunos casos de entrada de caudal de ríos, LSSVR y GPR fueron mejores que SVR. El SVR ajustado por CMAES con entradas de temperatura y caudal de ríos produjo el menor RRMSE (0.266), MAE (263.44) y MAPE (12.44) en la estimación del caudal de los ríos. El método EN se encontró que era el peor modelo en la predicción del caudal de los ríos. El análisis de incertidumbre también respaldó la superioridad de SVR sobre otros métodos de aprendizaje automático al tener valores de incertidumbre bajos. En general, se recomienda altamente el modelo SVR basado en temperatura o caudal de ríos como entradas, ajustado por CMAES, para la estimación del caudal de los ríos.
Descripción
La estimación precisa del caudal de los ríos juega un papel clave en el uso óptimo de los recursos hídricos, en las operaciones de embalses y en el diseño y planificación de futuros proyectos de energía hidroeléctrica. Los modelos de aprendizaje automático se han utilizado con éxito para estimar el caudal de los ríos en los últimos años. En este estudio, se utilizó un nuevo enfoque, la estrategia de evolución de la matriz de covarianza (CMAES), para mejorar la precisión de siete modelos de aprendizaje automático, a saber, máquina de aprendizaje de aprendizaje extremo (ELM), red elástica (EN), regresión de procesos gaussianos (GPR), regresión de vectores de soporte (SVR), regresión de mínimos cuadrados SVR (LSSVR), aumento extremo de gradientes (XGB) y red neuronal de función de base radial (RBFNN), en la predicción del caudal de los ríos. El CMAES se utilizó para ajustar adecuadamente los parámetros de control de estos modelos de aprendizaje automático seleccionados. Se decidieron siete combinaciones de entradas para estimar el caudal de los ríos basadas en valores anteriores de temperatura y caudal de los ríos rezagados. Para la comparación de la precisión de la predicción numérica de estos modelos de aprendizaje automático, se utilizan seis índices estadísticos, es decir, error cuadrático medio relativo (RRMSE), error absoluto medio (MAE), error porcentual absoluto medio (MAPE), eficiencia de Nash-Sutcliffe (NSE) y el índice de acuerdo de eficiencia de Kling-Gupta (KGE). En contraste, este estudio utiliza gráficos de dispersión, gráficos de radar y diagramas de Taylor para la comparación gráfica de la precisión predicha. Los resultados muestran que SVR proporcionó resultados más precisos que los otros métodos, especialmente para los casos de entrada de temperatura. En contraste, en algunos casos de entrada de caudal de ríos, LSSVR y GPR fueron mejores que SVR. El SVR ajustado por CMAES con entradas de temperatura y caudal de ríos produjo el menor RRMSE (0.266), MAE (263.44) y MAPE (12.44) en la estimación del caudal de los ríos. El método EN se encontró que era el peor modelo en la predicción del caudal de los ríos. El análisis de incertidumbre también respaldó la superioridad de SVR sobre otros métodos de aprendizaje automático al tener valores de incertidumbre bajos. En general, se recomienda altamente el modelo SVR basado en temperatura o caudal de ríos como entradas, ajustado por CMAES, para la estimación del caudal de los ríos.