УПРАВЛЕНИЕ БОЛЬШИМИ СИСТЕМАМИ
на главную написать письмо карта сайта


јвтор:   амаев ¬. ј., ўербаков ћ. ¬., ѕанченко ƒ. ѕ., ўербакова Ќ. Ћ., Ѕребельс ј.
Ќазвание:  ѕрименение коннективистских систем дл€ прогнозировани€ потреблени€ электроэнергии в торговых центрах
√ос. регистрационный номер:  0421000023\0081
¬ыпуск:  31
–убрика:  јнализ и синтез систем управлени€
√од:  2010
Ѕиблиографи€:   амаев ¬. ј., ўербаков ћ. ¬., ѕанченко ƒ. ѕ., ўербакова Ќ. Ћ., Ѕребельс ј. ѕрименение коннективистских систем дл€ прогнозировани€ потреблени€ электроэнергии в торговых центрах / ”правление большими системами. ¬ыпуск 31. ћ.: »ѕ” –јЌ, 2010. —.92-109.
 лючевые слова:  прогнозирование потреблени€ электроэнергии, коннективизм, коннективистские системы, скольз€щее среднее, линейна€ регресси€, нейронные сети
 лючевые слова (англ.):  energy consumption forecasting, connectionism connectionists systems, average model, linear regression, neural networks
јннотаци€:  –ассматриваетс€ решение проблемы краткосрочного прогнозировани€ потреблени€ электроэнергии в торговых центрах √олландии и Ѕельгии. ѕредлагаетс€ методика прогнозировани€, основанна€ на использовании коннективистских систем. ƒаетс€ общее описание методики прогнозировани€ и специфика ее применени€ дл€ рассматриваемой задачи прогнозировани€. ѕриводитс€ обобщение, описание и результаты применени€ различных коннективистских моделей: модели скольз€щего среднего, модели линейной регрессии, модели нейронных сетей.  роме этого, показаны изменени€ в качестве прогноза в зависимости от различных наборов входных переменных. ќбсуждаютс€ результаты и привод€тс€ выводы о специфике применени€ той или иной модели.
јннотаци€ (англ.):  The problem of energy consumption forecasting in trade centers in Holland and Belgium is considered in this paper. The forecast frameworks based on connectionists systems is suggested here. Paper presents the general description of the framework and the list of specific features connected with observed domain. There are several connectionists systems are implemented to solve forecast problem. They are based on average model, linear regression, neural networks. Models were tested with different set of input variables. In conclusion results and summary were presented.

в формате PDF
ќбсудить в »нтернет-конференции

ѕросмотров: 3238, загрузок: 1334, за мес€ц: 7.

Ќазад

»ѕ” –јЌ © 2007. ¬се права защищены