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