Documents disponibles écrits par cet auteur

Application of Support Vector Machine in Lake Water Level Prediction / Khan, Mohammad Sajjad in Journal of hydrologic engineering, Vol. 11 N°3 (Mai/Juin 2006) 

Public ISBD [article]  in Journal of hydrologic engineering > Vol. 11 N°3 (Mai/Juin 2006) . - 199-205 p. Titre : Application of Support Vector Machine in Lake Water Level Prediction Titre original : Utilisation de Machine de Vecteur de Soutien dans la Prévision de Niveau d'Eau de Lac Type de document : texte imprimé Auteurs : Khan, Mohammad Sajjad, Auteur ; Coulibaly, Paulin, Auteur Article en page(s) : 199-205 p. Note générale : Hydrologie Langues : Anglais (eng) Mots-clés : Water  levels  Predictions  Forecasting  Neural  networks  Artificial  intelligence  Lakes  Niveaux  d'eau  Prévisions  Réseaux  neurologiques  Intelligence  artificielle  Lacs Index. décimale : 551.4 Résumé : This Paper examines the potential of the support vector machine (SVM) in long-term prediction of lake water levels. Lake Eric mean monthly water levels from 1918 to 2001 are used to predict future water levels up to 12 months ahead. The Results are compared with a widely used neural network model called a multilayer perception (MLP) and with a conventional multiplicative seasonal autoregressive model (SAR). Overall, the SVM showed good performance and is proved to be competitive with the MLP and SAR models. For a 3-to 12-month ahead prediction. The SVM model out performs the two other models based on root-mean square error and correlation coefficient performance criteria. Furthermore, the SVM exhibits inherent advantages due to its use of the structural risk minimization principle in formulating cost functions and quadratic programming during model optimization. These Advantages lead to a unique optimal and global solution compared to conventional neural network models. Cet article examine le potentiel de la machine de vecteur de soutien (SVM) dans la prévision à long terme des niveaux d'eau de lac. Des niveaux d'eau mensuels moyens d'Eric de lac de 1918 à 2001 sont employés pour prévoir de futurs niveaux d'eau jusqu'à 12 mois en avant. Les résultats sont comparés à un modèle largement répandu de réseau neurologique appelé une perception multicouche (MLP) et à un modèle auto-régressif saisonnier multiplicatif conventionnel (SAR). De façon générale, on s'avère que le SVM a montré la bonne exécution et concurrentiel avec les modèles de MLP et de SAR. Pour en avant une prévision 3-to de douze mois. Le modèle de SVM dehors exécute les deux autres modèles basés sur racine-signifient des critères carrés d'exécution d'erreur et de coefficient de corrélation. En outre, le SVM montre des avantages inhérents dus à son utilisation du principe structural de minimisation de risque en formulant des fonctions de coût et la programmation quadratique pendant l'optimisation modèle. Ces avantages mènent à une solution optimale et globale unique comparée aux modèles conventionnels de réseau neurologique. En ligne : sajjad_km@hotmail.com, couliba@mcmaster.ca [article] Application of Support Vector Machine in Lake Water Level Prediction = Utilisation de Machine de Vecteur de Soutien dans la Prévision de Niveau d'Eau de Lac [texte imprimé] / Khan, Mohammad Sajjad, Auteur ; Coulibaly, Paulin, Auteur . - 199-205 p. Hydrologie Langues : Anglais (eng) in Journal of hydrologic engineering > Vol. 11 N°3 (Mai/Juin 2006) . - 199-205 p. Mots-clés : Water  levels  Predictions  Forecasting  Neural  networks  Artificial  intelligence  Lakes  Niveaux  d'eau  Prévisions  Réseaux  neurologiques  Intelligence  artificielle  Lacs Index. décimale : 551.4 Résumé : This Paper examines the potential of the support vector machine (SVM) in long-term prediction of lake water levels. Lake Eric mean monthly water levels from 1918 to 2001 are used to predict future water levels up to 12 months ahead. The Results are compared with a widely used neural network model called a multilayer perception (MLP) and with a conventional multiplicative seasonal autoregressive model (SAR). Overall, the SVM showed good performance and is proved to be competitive with the MLP and SAR models. For a 3-to 12-month ahead prediction. The SVM model out performs the two other models based on root-mean square error and correlation coefficient performance criteria. Furthermore, the SVM exhibits inherent advantages due to its use of the structural risk minimization principle in formulating cost functions and quadratic programming during model optimization. These Advantages lead to a unique optimal and global solution compared to conventional neural network models. Cet article examine le potentiel de la machine de vecteur de soutien (SVM) dans la prévision à long terme des niveaux d'eau de lac. Des niveaux d'eau mensuels moyens d'Eric de lac de 1918 à 2001 sont employés pour prévoir de futurs niveaux d'eau jusqu'à 12 mois en avant. Les résultats sont comparés à un modèle largement répandu de réseau neurologique appelé une perception multicouche (MLP) et à un modèle auto-régressif saisonnier multiplicatif conventionnel (SAR). De façon générale, on s'avère que le SVM a montré la bonne exécution et concurrentiel avec les modèles de MLP et de SAR. Pour en avant une prévision 3-to de douze mois. Le modèle de SVM dehors exécute les deux autres modèles basés sur racine-signifient des critères carrés d'exécution d'erreur et de coefficient de corrélation. En outre, le SVM montre des avantages inhérents dus à son utilisation du principe structural de minimisation de risque en formulant des fonctions de coût et la programmation quadratique pendant l'optimisation modèle. Ces avantages mènent à une solution optimale et globale unique comparée aux modèles conventionnels de réseau neurologique. En ligne : sajjad_km@hotmail.com, couliba@mcmaster.ca

Improving Daily Reservoir Inflow Forecasts with Model Combination / Coulibaly, Paulin in Journal of hydrologic engineering, Vol. 10, N°2 (Mars/Avril 2005)

Public ISBD [article]  in Journal of hydrologic engineering > Vol. 10, N°2 (Mars/Avril 2005) . - 91-99 p. Titre : Improving Daily Reservoir Inflow Forecasts with Model Combination Titre original : Amélioration des Prévisions Quotidiennes d'Apport de Réservoir avec la Combinaison Modèle Type de document : texte imprimé Auteurs : Coulibaly, Paulin, Auteur ; Haché, Mario, Auteur ; Fortin, Vincent ; Bobée, Bernard Article en page(s) : 91-99 p. Note générale : Hydrologie Langues : Anglais (eng) Mots-clés : Runoff  forecasting  Hydrologic  models  Inflow  Reservoir  Prévisions  d'écoulement  Modèles  hydrologiques  Apport Index. décimale : 551.4 Résumé : A major issue in real-time management of water resources is the need for accurate and reliable hydrologic forecasts at least 24 or 48 h ahead. An experiment on improving the accuracy of a conceptual hydrologic model used for daily reservoir inflow forecasting, by resorting to model combination, is presented. A robust weighted-average method is used to take advantage of three dynamically different models; a nearest-neighbor model, a conceptual model, and an artificial neural network model. At each time step, the output of each of these three models is computed, and either the absolute best result is considered or the competitive results are combined using the improved weighted-average method. The Latter approach has shown a significant forecast improvement for up to 4-day-ahead prediction. Moreover, it is found that with the model combination, there is no need for post correction of the conceptual model forecasts-It is also found that the prediction accuracy is mainly driven by the nearest-neighbor method for the 2-day-ahead forecasts, and relatively by each model after wards. However, none of the three models appears significantly better than the combined model approach, Whatever the prediction lead time. Une issue importante dans la gestion en temps réel des ressources d'eau est le besoin de prévisions hydrologiques précises et fiables au moins 24 ou 48 h en avant. Une expérience sur améliorer l'exactitude d'un modèle hydrologique conceptuel utilisé pour des prévisions quotidiennes d'apport de réservoir, par le recours pour modeler la combinaison, est présentée. Une méthode peser-moyenne robuste est employée pour tirer profit de trois modèles dynamiquement différents ; un modèle de proche-voisin, un modèle conceptuel, et un modèle artificiel de réseau neurologique. À chaque fois que l'étape, le rendement de chacun de ces trois modèles est calculée, et ou le meilleur résultat absolu est considéré ou les résultats concurrentiels sont combinés en utilisant la méthode peser-moyenne améliorée. La dernière approche a montré une amélioration significative de prévision pour la prévision de jusqu'à 4 jours en avant. D'ailleurs, on le constate qu'avec la combinaison modèle, il n'y a aucun besoin de correction de poteau du modèle conceptuel que prévoir-il est également trouvé que l'exactitude de prévision est principalement conduit par la méthode de proche-voisin pour les 2 prévisions de jour en avant, et relativement par chaque modèle après des salles. Cependant, aucun des trois modèles ne semble sensiblement meilleur que l'approche modèle combinée, quoi que le délai d'exécution de prévision. [article] Improving Daily Reservoir Inflow Forecasts with Model Combination = Amélioration des Prévisions Quotidiennes d'Apport de Réservoir avec la Combinaison Modèle [texte imprimé] / Coulibaly, Paulin, Auteur ; Haché, Mario, Auteur ; Fortin, Vincent ; Bobée, Bernard . - 91-99 p. Hydrologie Langues : Anglais (eng) in Journal of hydrologic engineering > Vol. 10, N°2 (Mars/Avril 2005) . - 91-99 p. Mots-clés : Runoff  forecasting  Hydrologic  models  Inflow  Reservoir  Prévisions  d'écoulement  Modèles  hydrologiques  Apport Index. décimale : 551.4 Résumé : A major issue in real-time management of water resources is the need for accurate and reliable hydrologic forecasts at least 24 or 48 h ahead. An experiment on improving the accuracy of a conceptual hydrologic model used for daily reservoir inflow forecasting, by resorting to model combination, is presented. A robust weighted-average method is used to take advantage of three dynamically different models; a nearest-neighbor model, a conceptual model, and an artificial neural network model. At each time step, the output of each of these three models is computed, and either the absolute best result is considered or the competitive results are combined using the improved weighted-average method. The Latter approach has shown a significant forecast improvement for up to 4-day-ahead prediction. Moreover, it is found that with the model combination, there is no need for post correction of the conceptual model forecasts-It is also found that the prediction accuracy is mainly driven by the nearest-neighbor method for the 2-day-ahead forecasts, and relatively by each model after wards. However, none of the three models appears significantly better than the combined model approach, Whatever the prediction lead time. Une issue importante dans la gestion en temps réel des ressources d'eau est le besoin de prévisions hydrologiques précises et fiables au moins 24 ou 48 h en avant. Une expérience sur améliorer l'exactitude d'un modèle hydrologique conceptuel utilisé pour des prévisions quotidiennes d'apport de réservoir, par le recours pour modeler la combinaison, est présentée. Une méthode peser-moyenne robuste est employée pour tirer profit de trois modèles dynamiquement différents ; un modèle de proche-voisin, un modèle conceptuel, et un modèle artificiel de réseau neurologique. À chaque fois que l'étape, le rendement de chacun de ces trois modèles est calculée, et ou le meilleur résultat absolu est considéré ou les résultats concurrentiels sont combinés en utilisant la méthode peser-moyenne améliorée. La dernière approche a montré une amélioration significative de prévision pour la prévision de jusqu'à 4 jours en avant. D'ailleurs, on le constate qu'avec la combinaison modèle, il n'y a aucun besoin de correction de poteau du modèle conceptuel que prévoir-il est également trouvé que l'exactitude de prévision est principalement conduit par la méthode de proche-voisin pour les 2 prévisions de jour en avant, et relativement par chaque modèle après des salles. Cependant, aucun des trois modèles ne semble sensiblement meilleur que l'approche modèle combinée, quoi que le délai d'exécution de prévision.

Multivariate Reservoir Inflow Forecasting Using Temporal Neural Networks / Anctil, François in Journal of hydrologic engineering, Vol. 6, N° 5 (Septembre /Octobre 2001)

Public ISBD [article]  in Journal of hydrologic engineering > Vol. 6, N° 5 (Septembre /Octobre 2001) . - 367-376 p. Titre : Multivariate Reservoir Inflow Forecasting Using Temporal Neural Networks Titre original : Prévisions Multivariables d'Apport de Réservoir en Utilisant les Réseaux Neurologiques Temporels Type de document : texte imprimé Auteurs : Anctil, François, Auteur ; Coulibaly, Paulin, Auteur ; Bobée, Bernard Article en page(s) : 367-376 p. Note générale : Hydrologie Langues : Anglais (eng) Mots-clés : Eau  Ressource  Prévision  Apport  Hydrologie  Electricité  Reseaux  neurologiques  Architecture  Réservoir  Combinaison  Réseau  multicouche  Perceptron  MLP  Chronologie Index. décimale : 551.4 Résumé : An experiment on predicting multivariate water resource time series, specifically the prediction of hydropower reservoir inflow using temporel neural networks, is presented. This Paper focuses on dynamic neural networks to address the temporal relationship of the hydrological series. three types of temporal neural network architectures with differents inherent representations of temporal information are investigated. An input delayed neural network (IDNN) and a recurrent neural netwok (RNN) with and without input time delays are proposed for multivariate reservoir inflow forecasting. The Forecast results indicate that, overall, the RNN obtained the best performance. The Results also suggest that the use of input time delays significantly improves the conventional multilayer perceptron (MLP) network but does not provide any improvement in the RNN model. However, the RNN with input time delays remains slightly more effective for multivariate reservoir inflow prediction than the IDNN model. Moreover, it is found that the conventional MLP network widely used in hydrological applications is less effective at multivariate reservoir inflow forecasting than the proposed models. Furthermore, the experiment shows that employing only time-delayed recurrences can be the more effective and less costly method for multivariate water resources time series prediction. Une expérience sur prévoir le serie multivariable de temps de ressource d'eau, spécifiquement la prévision de l'apport de réservoir d'hydro-électricité en utilisant les réseaux neurologiques de temporel, est présentée. Cet article se concentre sur les réseaux neurologiques dynamiques pour adresser le rapport temporel des séries hydrologiques trois types d'architectures temporelles de réseau neurologique avec des differents des représentations qu'inhérentes d'information temporelle sont étudiées. On propose un réseau neurologique retardé par entrée (IDNN) et un netwok neural récurrent (RNN) avec et sans du temps d'entrée retarde pour des prévisions multivariables d'apport de réservoir. Les résultats de prévision indiquent que, la combinaison, le RNN a obtenu la meilleure exécution. Les résultats également suggèrent que l'utilisation du temps d'entrée retarde améliore de manière significative le réseau multicouche conventionnel du perceptron (MLP) mais ne fournissent pas n'importe quelle amélioration du modèle de RNN. Cependant, le RNN avec du temps d'entrée retarde les restes légèrement plus efficaces pour la prévision multivariable d'apport de réservoir que le modèle d'IDNN. D'ailleurs, on le constate que le réseau conventionnel de MLP largement répandu dans des applications hydrologiques est moins efficace aux prévisions multivariables d'apport de réservoir que les modèles proposés. En outre, l'expérience prouve que l'utilisation seulement des répétitions de temps retarder peut être la méthode plus efficace et moins plus coûteuse pour la prévision multivariable de série chronologique de ressources d'eau. [article] Multivariate Reservoir Inflow Forecasting Using Temporal Neural Networks = Prévisions Multivariables d'Apport de Réservoir en Utilisant les Réseaux Neurologiques Temporels [texte imprimé] / Anctil, François, Auteur ; Coulibaly, Paulin, Auteur ; Bobée, Bernard . - 367-376 p. Hydrologie Langues : Anglais (eng) in Journal of hydrologic engineering > Vol. 6, N° 5 (Septembre /Octobre 2001) . - 367-376 p. Mots-clés : Eau  Ressource  Prévision  Apport  Hydrologie  Electricité  Reseaux  neurologiques  Architecture  Réservoir  Combinaison  Réseau  multicouche  Perceptron  MLP  Chronologie Index. décimale : 551.4 Résumé : An experiment on predicting multivariate water resource time series, specifically the prediction of hydropower reservoir inflow using temporel neural networks, is presented. This Paper focuses on dynamic neural networks to address the temporal relationship of the hydrological series. three types of temporal neural network architectures with differents inherent representations of temporal information are investigated. An input delayed neural network (IDNN) and a recurrent neural netwok (RNN) with and without input time delays are proposed for multivariate reservoir inflow forecasting. The Forecast results indicate that, overall, the RNN obtained the best performance. The Results also suggest that the use of input time delays significantly improves the conventional multilayer perceptron (MLP) network but does not provide any improvement in the RNN model. However, the RNN with input time delays remains slightly more effective for multivariate reservoir inflow prediction than the IDNN model. Moreover, it is found that the conventional MLP network widely used in hydrological applications is less effective at multivariate reservoir inflow forecasting than the proposed models. Furthermore, the experiment shows that employing only time-delayed recurrences can be the more effective and less costly method for multivariate water resources time series prediction. Une expérience sur prévoir le serie multivariable de temps de ressource d'eau, spécifiquement la prévision de l'apport de réservoir d'hydro-électricité en utilisant les réseaux neurologiques de temporel, est présentée. Cet article se concentre sur les réseaux neurologiques dynamiques pour adresser le rapport temporel des séries hydrologiques trois types d'architectures temporelles de réseau neurologique avec des differents des représentations qu'inhérentes d'information temporelle sont étudiées. On propose un réseau neurologique retardé par entrée (IDNN) et un netwok neural récurrent (RNN) avec et sans du temps d'entrée retarde pour des prévisions multivariables d'apport de réservoir. Les résultats de prévision indiquent que, la combinaison, le RNN a obtenu la meilleure exécution. Les résultats également suggèrent que l'utilisation du temps d'entrée retarde améliore de manière significative le réseau multicouche conventionnel du perceptron (MLP) mais ne fournissent pas n'importe quelle amélioration du modèle de RNN. Cependant, le RNN avec du temps d'entrée retarde les restes légèrement plus efficaces pour la prévision multivariable d'apport de réservoir que le modèle d'IDNN. D'ailleurs, on le constate que le réseau conventionnel de MLP largement répandu dans des applications hydrologiques est moins efficace aux prévisions multivariables d'apport de réservoir que les modèles proposés. En outre, l'expérience prouve que l'utilisation seulement des répétitions de temps retarder peut être la méthode plus efficace et moins plus coûteuse pour la prévision multivariable de série chronologique de ressources d'eau.