nach oben

Erschienen in:

2016 | OriginalPaper | Buchkapitel

A Meta-Learning Approach to Methane Concentration Value Prediction

verfasst von : Michał Kozielski

Erschienen in: Beyond Databases, Architectures and Structures. Advanced Technologies for Data Mining and Knowledge Discovery

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

A meta-learning approach to stream data analysis is presented in this work. The analysis is based on prediction of methane concentration in a coal mine. The results of the analysis show that the chosen approach achieves relatively low error values. Additionally, the impact of a data window size on a learning speed and quality was verified. The analysis is performed on a stream of measurements that was generated on a basis of real values collected in a coal mine.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Manifold Learning for Hand Pose Recognition: Evaluation Framework

Nächstes Kapitel Anomaly Detection in Data Streams: The Petrol Station Simulator

Available at http://www.openml.org.

Alberg, D., Last, M., Kandel, A.: Knowledge discovery in data streams with regression tree methods. Wiley Interdisc. Rev.: Data Min. Knowl. Disc. 2(1), 69–78 (2012)

Bifet, A., Holmes, G., Kirkby, R., Pfahringer, B.: Moa: massive online analysis. J. Mach. Learn. Res. 11, 1601–1604 (2010)

Gaber, M., Zaslavsky, A., Krishnaswamy, S.: A survey of classification methods in data streams. In: Aggarwal, C. (ed.) Data Streams. Advances in Database Systems, vol. 31, pp. 39–59. Springer, US (2007). http://dx.doi.org/10.1007/978-0-387-47534-9_3 CrossRef

Ikonomovska, E., Gama, J., Džeroski, S.: Learning model trees from evolving data streams. Data Min. Knowl. Disc. 23(1), 128–168 (2011). http://dx.doi.org/10.1007/s10618-010-0201-y MathSciNetCrossRefMATH

Jankowski, N., Grąbczewski, K.: Universal meta-learning architecture and algorithms. In: Jankowski, N., Duch, W., Grbczewski, K. (eds.) Meta-Learning in Computational Intelligence. Studies in Computational Intelligence, vol. 358, pp. 1–76. Springer, Heidelberg (2011). http://dx.doi.org/10.1007/978-3-642-20980-2_1 CrossRef

Janusz, A., Sikora, M., Wróbel, U., Stawicki, Ł., Grzegorowski, M., Wojtas, P., Ślezak, D.: Mining data from coal mines: IJCRS’15 data challenge. In: Yao, Y., Hu, Q., Yu, H., Grzymala-Busse, J.W. (eds.) Rough Sets, Fuzzy Sets, Data Mining, and Granular Computing. LNCS, vol. 9437, pp. 429–438. Springer International Publishing, Heidelberg (2015)CrossRef

Kabiesz, J.: Effect of the form of data on the quality of mine tremors hazard forecasting using neural networks. Geotech. Geol. Eng. 24(5), 1131–1147 (2006). http://dx.doi.org/10.1007/s10706-005-1136-8 CrossRef

Kabiesz, J., Sikora, B., Sikora, M., Wróbel, Ł.: Application of rule-based models for seismic hazard prediction in coal mines. Acta Montanist. Slovaca 18(4), 262–277 (2013)

Keet, C.M., Ławrynowicz, A., dAmato, C., Kalousis, A., Nguyen, P., Palma, R., Stevens, R., Hilario, M.: The data mining optimization ontology. Web Semant.: Sci. Serv. Agents World Wide Web 32, 43–53 (2015). http://www.sciencedirect.com/science/article/pii/S1570826815000025 CrossRef

10.

Kozielski, M., Sikora, M., Wróbel, L.: DISESOR - decision support system for mining industry. In: 2015 Federated Conference on Computer Science and Information Systems (FedCSIS), pp. 67–74, September 2015

11.

Kozielski, M., Skowron, A., Wróbel, Ł., Sikora, M.: Regression rule learning for methane forecasting in coal mines. In: Kozielski, S., Mrozek, D., Kasprowski, P., Małysiak-Mrozek, B., Kostrzewa, D. (eds.) Beyond Databases, Architectures and Structures. Communications in Computer and Information Science, vol. 521, pp. 495–504. Springer, Heidelberg (2015)

12.

Ławrynowicz, A., Potoniec, J.: Pattern based feature construction in semantic data mining. Int. J. Semant. Web Inf. Syst. (IJSWIS) 10(1), 27–65 (2014)CrossRef

13.

Lemaire, V., Salperwyck, C., Bondu, A.: A survey on supervised classification on data streams. In: Zimányi, E., Kutsche, R.-D. (eds.) Business Intelligence. Lecture Notes in Business Information Processing, vol. 205, pp. 88–125. Springer, Heidelberg (2015). http://dx.doi.org/10.1007/978-3-319-17551-5_4

14.

Lemke, C., Budka, M., Gabrys, B.: Metalearning: a survey of trends and technologies. Artif. Intell. Rev. 44(1), 117–130 (2015). http://dx.doi.org/10.1007/s10462-013-9406-y CrossRef

15.

Leśniak, A., Isakow, Z.: Space-time clustering of seismic events and hazard assessment in the Zabrze-Bielszowice coal mine, Poland. Int. J. Rock Mech. Min. Sci. 46(5), 918–928 (2009). http://dx.doi.org/10.1016/j.ijrmms.2008.12.003 CrossRef

16.

van Rijn, J.N., Holmes, G., Pfahringer, B., Vanschoren, J.: Algorithm Selection on Data Streams. In: Džeroski, S., Panov, P., Kocev, D., Todorovski, L. (eds.) Discovery Science. LNCS, vol. 8777, pp. 325–336. Springer, Heidelberg (2014). http://dx.doi.org/10.1007/978-3-319-11812-3_28

17.

Schaffer, C.: A conservation law for generalization performance. In: Proceedings of the 11th International Conference on Machine Learning, pp. 259–265 (1994)

18.

Serban, F., Vanschoren, J., Kietz, J.U., Bernstein, A.: A survey of intelligent assistants for data analysis. ACM Comput. Surv. 45(3), 31:1–31:35 (2013). http://doi.acm.org/10.1145/2480741.2480748 CrossRef

19.

Sikora, M., Sikora, B.: Improving prediction models applied in systems monitoring natural hazards and machinery. Int. J. Appl. Math. Comput. Sci. 22(2), 477–491 (2012). http://dx.doi.org/10.2478/v10006-012-0036-3 CrossRefMATH

20.

Sikora, M., Sikora, B.: Rough natural hazards monitoring. In: Peters, G., Lingras, P., Ślęzak, D., Yao, Y. (eds.) Rough Sets: Selected Methods and Applications in Management and Engineering. Advanced Information and Knowledge Processing, pp. 163–179. Springer, Heidelberg (2012). http://dx.doi.org/10.1007/978-1-4471-2760-4-10 CrossRef

21.

Simiński, K.: Rough subspace neuro-fuzzy system. Fuzzy Sets Syst. 269, 30–46 (2015)MathSciNetCrossRef

22.

Smith-Miles, K.A.: Cross-disciplinary perspectives on meta-learning for algorithm selection. ACM Comput. Surv. 41(1), 6:1–6:25 (2009). http://doi.acm.org/10.1145/1456650.1456656

23.

Vanschoren, J.: Understanding machine learning performance with experiment databases. Ph.D. dissertation, Katholieke Universiteit Leuven, Flanders, Belgium (2010)

24.

Vilalta, R., Giraud-Carrier, C., Brazdil, P.: Meta-learning - concepts and techniques. In: Maimon, O., Rokach, L. (eds.) Data Mining and Knowledge Discovery Handbook, pp. 717–731. Springer, US (2010). http://dx.doi.org/10.1007/978-0-387-09823-4_36

25.

Zagorecki, A.: Prediction of methane outbreaks in coal mines from multivariate time series using random forest. In: Yao, Y., Hu, Q., Yu, H., Grzymala-Busse, J.W. (eds.) Rough Sets, Fuzzy Sets, Data Mining, and Granular Computing. LNCS, pp. 494–500. Springer International Publishing, Heidelberg (2015). http://dx.doi.org/10.1007/978-3-319-25783-9_44 CrossRef

Titel: A Meta-Learning Approach to Methane Concentration Value Prediction
verfasst von: Michał Kozielski
Verlag: Springer International Publishing
Buch: Beyond Databases, Architectures and Structures. Advanced Technologies for Data Mining and Knowledge Discovery
Print ISBN: 978-3-319-34098-2

Electronic ISBN: 978-3-319-34099-9

Copyright-Jahr: 2016
DOI: https://doi.org/10.1007/978-3-319-34099-9_56

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"

Premium Partner