JPH04330502A - 上水道需要予測システム - Google Patents
上水道需要予測システムInfo
- Publication number
- JPH04330502A JPH04330502A JP3028119A JP2811991A JPH04330502A JP H04330502 A JPH04330502 A JP H04330502A JP 3028119 A JP3028119 A JP 3028119A JP 2811991 A JP2811991 A JP 2811991A JP H04330502 A JPH04330502 A JP H04330502A
- Authority
- JP
- Japan
- Prior art keywords
- day
- neural network
- special day
- prediction
- special
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000008213 purified water Substances 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 description 11
- 238000000034 method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 210000000225 synapse Anatomy 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000946 synaptic effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 210000000609 ganglia Anatomy 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000002715 modification method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【0001】
【産業上の利用分野】本発明はAI技術の一つであるニ
ューラルネットワーク(神経回路網)を応用した上水道
需要予測システムに関し、特に、早朝にその日(あるい
は明日までの)需要を予測する等の比較的短期の予測に
適したシステムに関する。需要予測とは、浄水場が各配
水区域に浄水を供給する水量を天候,曜日その他の因子
から予測することをいう。
ューラルネットワーク(神経回路網)を応用した上水道
需要予測システムに関し、特に、早朝にその日(あるい
は明日までの)需要を予測する等の比較的短期の予測に
適したシステムに関する。需要予測とは、浄水場が各配
水区域に浄水を供給する水量を天候,曜日その他の因子
から予測することをいう。
【0002】
【従来の技術】水道事業においては、水需要を予測して
需要の変動に適応する施設の有効利用を図ることが重要
である。従来の需要予測の代表的手法としては、重回帰
分析法やカルマンフィルタ法がある。これらは、過去の
実績データをオフラインで解析し、予測を行うものであ
る。
需要の変動に適応する施設の有効利用を図ることが重要
である。従来の需要予測の代表的手法としては、重回帰
分析法やカルマンフィルタ法がある。これらは、過去の
実績データをオフラインで解析し、予測を行うものであ
る。
【0003】
【発明が解決しようとする課題】上述した従来の手法は
、予測ロジックを生成する際に、過去のデータを詳細に
解析する必要があり、多くの時間と労力が必要である。 また、チューニングにも手間がかかる。また、固定ロジ
ックでの予測であるため、プロセスの特性変化(配水区
域の特性の変化)に追従するのが困難である。
、予測ロジックを生成する際に、過去のデータを詳細に
解析する必要があり、多くの時間と労力が必要である。 また、チューニングにも手間がかかる。また、固定ロジ
ックでの予測であるため、プロセスの特性変化(配水区
域の特性の変化)に追従するのが困難である。
【0004】本発明はこのような考察に基づいてなされ
たものであり、その目的は、エンジニアリングやチュー
ニングが不要であり、また、配水区域の特性が変化して
も自動的に追従可能な上水道需要予測システムを提供す
ることにある。
たものであり、その目的は、エンジニアリングやチュー
ニングが不要であり、また、配水区域の特性が変化して
も自動的に追従可能な上水道需要予測システムを提供す
ることにある。
【0005】
【課題を解決するための手段】本発明の上水道需要予測
システムは、予測日が正月,盆等の特殊日であるかどう
かを判断する特殊日判断手段と、予測日が特殊日であっ
た場合に、特殊日に対応した予測処理を行う特殊日処理
手段と、予測日が特殊日でない場合に、入力された前記
基礎情報に基づいて予測処理を行い、基準となる日に対
する需要偏差を算出するニューラルネットワークと、こ
のニューラルネットワークから出力される前記需要偏差
を、前記基準となる日の配水実績に加算して予測値を算
出する予測値算出手段とを有している。
システムは、予測日が正月,盆等の特殊日であるかどう
かを判断する特殊日判断手段と、予測日が特殊日であっ
た場合に、特殊日に対応した予測処理を行う特殊日処理
手段と、予測日が特殊日でない場合に、入力された前記
基礎情報に基づいて予測処理を行い、基準となる日に対
する需要偏差を算出するニューラルネットワークと、こ
のニューラルネットワークから出力される前記需要偏差
を、前記基準となる日の配水実績に加算して予測値を算
出する予測値算出手段とを有している。
【0006】例えば、早朝の天気予報に基づき本日の需
要予測を行う場合、昨日が基準となる日となり、昨日に
対する需要偏差がニューラルネットワークから出力され
、昨日の配水実績に加算されることになる。
要予測を行う場合、昨日が基準となる日となり、昨日に
対する需要偏差がニューラルネットワークから出力され
、昨日の配水実績に加算されることになる。
【0007】
【作用】ニューラルネットワークは、生物の脳や神経組
織の動きをコンピュータプログラムによってモデル化し
たものであり、ニューロン(神経細胞)とシナプス(神
経節)との組合わせによって構成される。ニューロンは
入力信号値に反応して出力値を可変する機能ユニットで
ある。また、シナプスはニューロン間の信号伝達経路で
あり、シナプス毎に可変の重み付けを行うことによって
信号の増幅や減衰を実行できるものである。
織の動きをコンピュータプログラムによってモデル化し
たものであり、ニューロン(神経細胞)とシナプス(神
経節)との組合わせによって構成される。ニューロンは
入力信号値に反応して出力値を可変する機能ユニットで
ある。また、シナプスはニューロン間の信号伝達経路で
あり、シナプス毎に可変の重み付けを行うことによって
信号の増幅や減衰を実行できるものである。
【0008】本発明は、このようなニューラルネットワ
ークの並列処理と学習処理機能を上水道の需要予測に活
用しようとするものである。学習は例えば、一日一回、
必ず行わせ、過去の配水実績データや天候実績データ等
の収集を実行し学習結果を保存させる。これにより、配
水傾向(プロセス特性)が少しずつ変化しても、柔軟に
追従して適切な予測を行える。
ークの並列処理と学習処理機能を上水道の需要予測に活
用しようとするものである。学習は例えば、一日一回、
必ず行わせ、過去の配水実績データや天候実績データ等
の収集を実行し学習結果を保存させる。これにより、配
水傾向(プロセス特性)が少しずつ変化しても、柔軟に
追従して適切な予測を行える。
【0009】また、気象情報は、電話回線を通じて自動
的に取り込む。また、予測は、変化が極めて少ない基本
量はそのままにしておき、天候等に左右される変動分の
みを予測し、前日の実績に加算することで精度を向上さ
せる。また、盆や正月等の特殊日には予測は困難である
ため、例えば、前年度の実績をそのまま採用する処理を
行う。また、この特殊日の判断は、コンピュータの内部
カレンダを参照して自動的に行う。このようなシステム
により、エンジニアリングおよびチューニングフリーの
上水道需要予測システムを提供できる。
的に取り込む。また、予測は、変化が極めて少ない基本
量はそのままにしておき、天候等に左右される変動分の
みを予測し、前日の実績に加算することで精度を向上さ
せる。また、盆や正月等の特殊日には予測は困難である
ため、例えば、前年度の実績をそのまま採用する処理を
行う。また、この特殊日の判断は、コンピュータの内部
カレンダを参照して自動的に行う。このようなシステム
により、エンジニアリングおよびチューニングフリーの
上水道需要予測システムを提供できる。
【0010】
【実施例】次に、本発明の実施例について図面を参照し
て説明する。
て説明する。
【0011】図1は本発明のニューラルネットワークを
利用した上下水道需要予測システムの一実施例の構成を
示す図である。本実施例は、電話回線による気候情報サ
ービスを利用した、天気予報,曜日入力手段1と、天候
実績ファイル2と、学習モードと予測モードとを切換え
るスイッチ3と、入力チェック手段4と、特殊日処理手
段5と、ニューラルネットワーク6と、配水量実績ファ
イル7と、ニューラルネットワーク6から出力される予
測需要量偏差(前日との配水実績との偏差)と配水量実
績ファイル7からの実績データとを加算する加算手段8
と、先48時間までの需要予測をグラフィック表示する
CRT画面9とを有している。特殊日処理手段5は、正
月,盆などの特殊日については予測を行わず、前年度同
日のデータを予測値として出力する。また、ニューラル
ネットワーク6は季節,時間帯により4×3=12のネ
ットワークを使い分ける構成となっている。また、CR
T画面9上には、予測総量を所定の時刻毎の割合に従っ
て分配して得られる需要予測カーブが表示される。
利用した上下水道需要予測システムの一実施例の構成を
示す図である。本実施例は、電話回線による気候情報サ
ービスを利用した、天気予報,曜日入力手段1と、天候
実績ファイル2と、学習モードと予測モードとを切換え
るスイッチ3と、入力チェック手段4と、特殊日処理手
段5と、ニューラルネットワーク6と、配水量実績ファ
イル7と、ニューラルネットワーク6から出力される予
測需要量偏差(前日との配水実績との偏差)と配水量実
績ファイル7からの実績データとを加算する加算手段8
と、先48時間までの需要予測をグラフィック表示する
CRT画面9とを有している。特殊日処理手段5は、正
月,盆などの特殊日については予測を行わず、前年度同
日のデータを予測値として出力する。また、ニューラル
ネットワーク6は季節,時間帯により4×3=12のネ
ットワークを使い分ける構成となっている。また、CR
T画面9上には、予測総量を所定の時刻毎の割合に従っ
て分配して得られる需要予測カーブが表示される。
【0012】図2はニューラルネットワークの詳細説明
図である。入力変数部61は、変数のグループ毎にニュ
ーロンを有するもので、例えば、晴れ、曇り、雨などの
天候情報はニューロンN61に入力される。他に、温度
y,曜日t及び湿度等の他の変数uがニューロンN62
,N63,N64に加えられている。
図である。入力変数部61は、変数のグループ毎にニュ
ーロンを有するもので、例えば、晴れ、曇り、雨などの
天候情報はニューロンN61に入力される。他に、温度
y,曜日t及び湿度等の他の変数uがニューロンN62
,N63,N64に加えられている。
【0013】中間予想部62は、入力変数部の各ニュー
ロンの出力信号を所定の重みWij(1≦i≦4,1≦
j≦3)で入力するニューロンの組で、学習効率を高め
る目的で加えられている。出力部63は中間予想部62
の各ニューロンの出力信号をシナプスの重みW21,W
22,W23で重み付けして入力し、予測値を出力する
ものである。 入力関数と出力Zとの関係は次の関数で表すことができ
る。 Z=f(x,y,t,u) 尚、各ニューロンで入力と出力の関係は一律に定められ
ていて、各ニューロンの機能は個性を有していない。偏
差演算部64は出力部63の予測値と、配水量実績ファ
イル7から読み出した対応する入力変数に於ける実績値
とを比較するものである。シナプス重み修正手段65は
、偏差演算部64の偏差が小さくなるように、入力変換
部61と中間予想部62をつなぐシナプス重みWi,j
及び中間予想部62と出力部63をつなぐシナプスの
重みW21,W22,W23を修正するもので、この修
正方法はニューラルネットワークにより予め定められて
いる。このシナプスの係数修正により一定の入力変数に
対し、予測値と実績値が一致するような学習が行われる
。
ロンの出力信号を所定の重みWij(1≦i≦4,1≦
j≦3)で入力するニューロンの組で、学習効率を高め
る目的で加えられている。出力部63は中間予想部62
の各ニューロンの出力信号をシナプスの重みW21,W
22,W23で重み付けして入力し、予測値を出力する
ものである。 入力関数と出力Zとの関係は次の関数で表すことができ
る。 Z=f(x,y,t,u) 尚、各ニューロンで入力と出力の関係は一律に定められ
ていて、各ニューロンの機能は個性を有していない。偏
差演算部64は出力部63の予測値と、配水量実績ファ
イル7から読み出した対応する入力変数に於ける実績値
とを比較するものである。シナプス重み修正手段65は
、偏差演算部64の偏差が小さくなるように、入力変換
部61と中間予想部62をつなぐシナプス重みWi,j
及び中間予想部62と出力部63をつなぐシナプスの
重みW21,W22,W23を修正するもので、この修
正方法はニューラルネットワークにより予め定められて
いる。このシナプスの係数修正により一定の入力変数に
対し、予測値と実績値が一致するような学習が行われる
。
【0014】図1の構成は、実際は、図3に示されるハ
ードウエアと、このハードウエアが所定のソフトウエア
によって動作する結果として構築される、機能ブロック
とにより実現される。図3のシステムは、管理用コンピ
ュータ15と、モデム14と、磁気ディスク16と、プ
リンタ17と、シスコン18とを具備する。また、管理
用コンピュータ15には、HFバスを介してエンジニア
リングステーション10と、オペレータズステーション
11と、制御ステーション12,13とが接続されてい
る。気象情報はNTT公衆回線を介してモデム14に入
力され、また、浄水場オンラインデータは制御ステーシ
ョン12に入力されるようになっている。
ードウエアと、このハードウエアが所定のソフトウエア
によって動作する結果として構築される、機能ブロック
とにより実現される。図3のシステムは、管理用コンピ
ュータ15と、モデム14と、磁気ディスク16と、プ
リンタ17と、シスコン18とを具備する。また、管理
用コンピュータ15には、HFバスを介してエンジニア
リングステーション10と、オペレータズステーション
11と、制御ステーション12,13とが接続されてい
る。気象情報はNTT公衆回線を介してモデム14に入
力され、また、浄水場オンラインデータは制御ステーシ
ョン12に入力されるようになっている。
【0015】次に、図1のシステムにおける予測時の具
体的動作を図4を用いて説明する。まず、入力チェック
手段4は、予測当日が特殊日か判断し(ステップ20)
、特殊日ではない場合には、天気予報データおよび曜日
の読込みを行う(ステップ22)。次に、読込んだデー
タがニューラルネットワーク6に入力され、季節と時間
帯に応じたネットワークを選択使用して予測処理が行わ
れ(ステップ23)、需要量予測偏差を取得する(ステ
ップ24)。次に、この予測偏差が昨日の配水実績に加
算されて(ステップ25) 、予測値が算出される(ス
テップ26)。次に、時刻パターンから時毎の予測値を
算出し(ステップ27)、CRT画面上に配水量のパタ
ーン表示を行う(ステップ28)。また、ステップ20
において予測当日が特殊日であった場合には、前年度同
月の配水実績データを予測値とし(ステップ21)、ス
テップ27に移行する。上述した予測動作は毎時間実施
される。
体的動作を図4を用いて説明する。まず、入力チェック
手段4は、予測当日が特殊日か判断し(ステップ20)
、特殊日ではない場合には、天気予報データおよび曜日
の読込みを行う(ステップ22)。次に、読込んだデー
タがニューラルネットワーク6に入力され、季節と時間
帯に応じたネットワークを選択使用して予測処理が行わ
れ(ステップ23)、需要量予測偏差を取得する(ステ
ップ24)。次に、この予測偏差が昨日の配水実績に加
算されて(ステップ25) 、予測値が算出される(ス
テップ26)。次に、時刻パターンから時毎の予測値を
算出し(ステップ27)、CRT画面上に配水量のパタ
ーン表示を行う(ステップ28)。また、ステップ20
において予測当日が特殊日であった場合には、前年度同
月の配水実績データを予測値とし(ステップ21)、ス
テップ27に移行する。上述した予測動作は毎時間実施
される。
【0016】次に、図5を用いて学習時の具体的動作を
説明する。まず、過去同月の配水実績データを収集し(
ステップ30)、次に、過去同月の天候実績データを収
集する(ステップ31) 。次に、特殊日を除いて該当
季節のニューラルネットワーク学習を行い(ステップ3
2)、学習結果を保存する(ステップ33)。
説明する。まず、過去同月の配水実績データを収集し(
ステップ30)、次に、過去同月の天候実績データを収
集する(ステップ31) 。次に、特殊日を除いて該当
季節のニューラルネットワーク学習を行い(ステップ3
2)、学習結果を保存する(ステップ33)。
【0017】
【発明の効果】以上説明したように本発明によれば、以
下の効果が得られる。 (1)エンジニアリング工数およびチューニング工数の
削減を図れる。すなわち、従来の予測では、過去の実績
を解析してモデル式やルールを作り、さらに実情に合わ
せてチューニングを行うという手間が必要であったが、
本発明では、ニューラルネットワークが上記の処理を自
動的に行うため、人間が解析やチューニングに費やす手
間は全く不要であり、過去の実績データさえあれば実プ
ラントへすぐに予測システムを導入できる。 (2)プラントの特性変化への自動追随が可能である。 すなわち、従来の予測方式では、予測のロジックが固定
であるため、プロセスの特性変化に対しては解析の段階
からやり直すしかなかった。これに対して本発明では、
過去の予測と実績を毎日復習し、プロセスの特性変化に
合わせて予測ロジックを修正していくことができる。
下の効果が得られる。 (1)エンジニアリング工数およびチューニング工数の
削減を図れる。すなわち、従来の予測では、過去の実績
を解析してモデル式やルールを作り、さらに実情に合わ
せてチューニングを行うという手間が必要であったが、
本発明では、ニューラルネットワークが上記の処理を自
動的に行うため、人間が解析やチューニングに費やす手
間は全く不要であり、過去の実績データさえあれば実プ
ラントへすぐに予測システムを導入できる。 (2)プラントの特性変化への自動追随が可能である。 すなわち、従来の予測方式では、予測のロジックが固定
であるため、プロセスの特性変化に対しては解析の段階
からやり直すしかなかった。これに対して本発明では、
過去の予測と実績を毎日復習し、プロセスの特性変化に
合わせて予測ロジックを修正していくことができる。
【図1】本発明の需要予測システムの一実施例の構成を
示す図である。
示す図である。
【図2】ニューラルネットワークの詳細説明図である。
【図3】図1の構成を実現するためのハードウエアの構
成例を示す図である。
成例を示す図である。
【図4】図1のシステムの予測時の具体的動作を示すフ
ローチャートである。
ローチャートである。
【図5】図1のシステムの学習時の具体的動作を示すフ
ローチャートである。
ローチャートである。
1 天気予報,曜日入力手段
2 天候実績ファイル
3 学習モード/予測モード切換えスイッチ4 入
力チェック手段 5 特殊日処理手段 6 ニューラルネットワーク 7 配水量実績ファイル 8 加算手段 9 CRT画面
力チェック手段 5 特殊日処理手段 6 ニューラルネットワーク 7 配水量実績ファイル 8 加算手段 9 CRT画面
Claims (1)
- 【請求項1】 浄水場が各配水区域に浄水を供給する
水量を、天候,曜日等の基礎情報にもとづいて、ニュー
ラルネットワークを利用して予測する機能をもつシステ
ムであって、予測日が正月,盆等の特殊日であるかどう
かを判断する特殊日判断手段(4)と、予測日が特殊日
であった場合に、特殊日に対応した予測処理を行う特殊
日処理手段(5)と、予測日が特殊日でない場合に、入
力された前記基礎情報に基づいて予測処理を行い、基準
となる日に対する需要偏差を算出するニューラルネット
ワーク(6)と、このニューラルネットワーク(6)か
ら出力される前記需要偏差を、前記基準となる日の配水
実績に加算して予測値を算出する予測値算出手段(7,
8)とを有することを特徴とする上水道需要予測システ
ム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP3028119A JPH04330502A (ja) | 1991-02-22 | 1991-02-22 | 上水道需要予測システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP3028119A JPH04330502A (ja) | 1991-02-22 | 1991-02-22 | 上水道需要予測システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH04330502A true JPH04330502A (ja) | 1992-11-18 |
Family
ID=12239918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP3028119A Pending JPH04330502A (ja) | 1991-02-22 | 1991-02-22 | 上水道需要予測システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH04330502A (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5448476A (en) * | 1993-06-17 | 1995-09-05 | Kabushiki Kaisha Toshiba | Distributed water flow predicting device |
JP2012079229A (ja) * | 2010-10-05 | 2012-04-19 | Hitachi Ltd | 需要予測装置及び水運用監視システム |
-
1991
- 1991-02-22 JP JP3028119A patent/JPH04330502A/ja active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5448476A (en) * | 1993-06-17 | 1995-09-05 | Kabushiki Kaisha Toshiba | Distributed water flow predicting device |
JP2012079229A (ja) * | 2010-10-05 | 2012-04-19 | Hitachi Ltd | 需要予測装置及び水運用監視システム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khotanzad et al. | A neuro-fuzzy approach to short-term load forecasting in a price-sensitive environment | |
Lin et al. | An efficient deep reinforcement learning model for urban traffic control | |
Huang et al. | A new artificial intelligent peak power load forecaster based on non-fixed neural networks | |
Piras et al. | Heterogeneous artificial neural network for short term electrical load forecasting | |
Jiang et al. | Day-ahead price forecasting for electricity market using long-short term memory recurrent neural network | |
Perrings | Environmental bonds and environmental research in innovative activities | |
JP3352153B2 (ja) | 配水流量予測装置 | |
CN113128787A (zh) | 话务量预测方法、系统、设备及介质 | |
Chiu et al. | Combining a neural network with a rule-based expert system approach for short-term power load forecasting in Taiwan | |
Kim et al. | Explanation for building energy prediction | |
CN115545503B (zh) | 一种基于并联时序卷积神经网络的电力负荷中短期预测方法及系统 | |
CA2272621C (en) | Multi-kernel neural network concurrent learning, monitoring, and forecasting system | |
Wang et al. | Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises | |
JPH04330502A (ja) | 上水道需要予測システム | |
JPH03134706A (ja) | 下水処理場運転支援のための知識獲得方法 | |
JP2000305606A (ja) | 配水需要量予測方法 | |
Barzamini et al. | Short term load forecasting for iran national power system and its regions using multi layer perceptron and fuzzy inference systems | |
JPH0887303A (ja) | プラント予測制御装置 | |
Mishra | Short term load forecasting using computational intelligence methods | |
JP2000163394A (ja) | 配水需要量予測方法 | |
Su et al. | Neural network based fusion of global and local information in predicting time series | |
Chiu et al. | Combining a neural network and a rule-based expert system for short-term load forecasting | |
Boussabaine | Neurofuzzy modelling of construction projects' duration I: principles | |
Khotanzad et al. | An adaptive and modular recurrent neural network based power system load forecaster | |
JPH04220758A (ja) | 時系列データの予測及び予測認識方法 |