Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Robust Functional Regression for Outlier Detection Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

Conditional Forecasting of Water Level Time Series with RNNs

verfasst von : Bart J. van der Lugt, Ad J. Feelders

Erschienen in: Advanced Analytics and Learning on Temporal Data

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

We describe a practical situation in which the application of forecasting models could lead to energy efficiency and decreased risk in water level management. The practical challenge of forecasting water levels in the next 24 h and the available data are provided by a dutch regional water authority. We formalized the problem as conditional forecasting of hydrological time series: the resulting models can be used for real-life scenario evaluation and decision support. We propose the novel Encoder/Decoder with Exogenous Variables RNN (ED-RNN) architecture for conditional forecasting with RNNs, and contrast its performance with various other time series forecasting models. We show that the performance of the ED-RNN architecture is comparable to the best performing alternative model (a feedforward ANN for direct forecasting), and more accurately captures short-term fluctuations in the water heights.

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 A Fully Automated Periodicity Detection in Time Series
Nächstes Kapitel Challenges and Limitations in Clustering Blood Donor Hemoglobin Trajectories
Literatur
1.
2.
Armstrong, J.S., Collopy, F.: Error measures for generalizing about forecasting methods: empirical comparisons. Int. J. Forecast. 8(1), 69–80 (1992)CrossRef
3.
Che, Z., Purushotham, S., Cho, K., Sontag, D., Liu, Y.: Recurrent neural networks for multivariate time series with missing values. Sci. Rep. 8(1), 6085 (2018)CrossRef
4.
Chung, J., Gulcehre, C., Cho, K., Bengio, Y.: Empirical evaluation of gated recurrent neural networks on sequence modeling. arXiv preprint arXiv:​1412.​3555 (2014)
5.
6.
Goodfellow, I., Bengio, Y., Courville, A., Bengio, Y.: Deep Learning, vol. 1. MIT Press, Cambridge (2016)MATH
7.
8.
Guo, T., Lin, T., Lu, Y.: An interpretable LSTM neural network for autoregressive exogenous model. arXiv preprint arXiv:​1804.​05251 (2018)
9.
Hamilton, D.P., Schladow, S.G.: Prediction of water quality in lakes and reservoirs. Part I-model description. Ecol. Model. 96(1–3), 91–110 (1997)CrossRef
10.
Hamzaçebi, C., Akay, D., Kutay, F.: Comparison of direct and iterative artificial neural network forecast approaches in multi-periodic time series forecasting. Expert Syst. Appl. 36(2), 3839–3844 (2009)CrossRef
11.
Haykin, S.S.: Neural Networks and Learning Machines, vol. 3. Pearson Education, Upper Saddle River (2009)
12.
Hill, T., Marquez, L., O’Connor, M., Remus, W.: Artificial neural network models for forecasting and decision making. Int. J. Forecast. 10(1), 5–15 (1994)CrossRef
13.
Hochreiter, S., Schmidhuber, J.: Long short-term memory. Neural Comput. 9(8), 1735–1780 (1997)CrossRef
14.
Johansen, S.: Estimation and hypothesis testing of cointegration vectors in Gaussian vector autoregressive models. Econometrica: J. Econ. Soc. 59, 1551–1580 (1991)MathSciNetCrossRef
15.
Konikow, L.F., Bredehoeft, J.D.: Ground-water models cannot be validated. Adv. Water Resour. 15(1), 75–83 (1992)CrossRef
16.
Lütkepohl, H.: New Introduction to Multiple Time Series Analysis. Springer, Heidelberg (2005)CrossRef
17.
Mishra, A., Desai, V.: Drought forecasting using feed-forward recursive neural network. Ecol. Model. 198(1–2), 127–138 (2006)CrossRef
18.
Nepf, H.: Drag, turbulence, and diffusion in flow through emergent vegetation. Water Resour. Res. 35(2), 479–489 (1999)CrossRef
19.
Sophocleous, M.: Interactions between groundwater and surface water: the state of the science. Hydrol. J. 10(1), 52–67 (2002)
20.
21.
Sutskever, I., Vinyals, O., Le, Q.V.: Sequence to sequence learning with neural networks. In: Advances in Neural Information Processing Systems, pp. 3104–3112 (2014)
22.
Tiwari, M.K., Chatterjee, C.: Development of an accurate and reliable hourly flood forecasting model using wavelet-bootstrap-ANN (WBANN) hybrid approach. J. Hydrol. 394(3–4), 458–470 (2010)CrossRef
23.
Wang, W., Ding, J.: Wavelet network model and its application to the prediction of hydrology. Nat. Sci. 1(1), 67–71 (2003)
24.
Yen, P.H., Jan, C.D., Lee, Y.P., Lee, H.F.: Application of Kalman filter to short-term tide level prediction. J. Waterw. Port Coast. Ocean Eng. 122(5), 226–231 (1996)CrossRef
25.
Yoon, H., Jun, S.C., Hyun, Y., Bae, G.O., Lee, K.K.: A comparative study of artificial neural networks and support vector machines for predicting groundwater levels in a coastal aquifer. J. Hydrol. 396(1–2), 128–138 (2011)CrossRef
26.
Zhang, G.P.: Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing 50, 159–175 (2003)CrossRef
Metadaten
Titel
Conditional Forecasting of Water Level Time Series with RNNs
verfasst von
Bart J. van der Lugt
Ad J. Feelders
Copyright-Jahr
2020
Buch
Advanced Analytics and Learning on Temporal Data

Print ISBN: 978-3-030-39097-6

Electronic ISBN: 978-3-030-39098-3

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-030-39098-3_5