Another forecasting approach was th

Another forecasting approach was the utilization of the ANN method to derive a prediction model.
The development of ANN models was based on studying the relationship between input variables and
output variables. For application in forecasting, Hsu and Chen [8] assessed the performance of ANN
approach (based on three inputs, i.e., GDP, population and temperature) to forecast the regional peak
load in Taiwan. The historical data was the annual power load in each region from 1981 to 2000 and
the performance of ANN method was compared with the regression method. The study showed that
the error of ANN model was significantly lower than that of the regression model. Moreover, Catalao,
Mariano, Mendes and Ferreira [9] successfully applied the ANN for forecasting next-week prices in the electricity market of Spain and State of California short-term electricity prices. The hourly price
data of 42 days prior to the week whose prices were forecasted was used as the historical data. The
error criterion (MAPE) of the ANN model was compared with the one from ARIMA model and the
results indicated that the ANN outperformed the ARIMA model. Similarly, Bakirtzis, Petridis, Klartzis
and Alexladis [10] developed an artificial neural network to forecast daily loads with a lead time of
one to seven days. The seasonality effect from high energy usage on holidays was included in the
model by utilizing the seasonal training (training the ANN with the historical holiday data).
The multiple linear regression method is still an interesting forecasting option because

ผลลัพธ์ (ไทย) 1:

วิธีการคาดการณ์อื่นใช้วิธีแอนจะมาแบบคาดเดาได้พัฒนารุ่นแอนเป็นไปตามการศึกษาความสัมพันธ์ระหว่างตัวแปรอินพุต และแสดงผลตัวแปร เพื่อประยุกต์ใช้ในการคาดการณ์ ซูและเฉิน [8] ประเมินประสิทธิภาพของแอนวิธี (ตามสามอินพุต เช่น GDP ประชากร และอุณหภูมิ) เพื่อคาดการณ์สูงสุดในภูมิภาคโหลดในไต้หวัน ข้อมูลประวัติถูกโหลดไฟฟ้าประจำปีในแต่ละภูมิภาคจากปี 1981 เป็น 2000 และประสิทธิภาพของวิธีแอนถูกเปรียบเทียบกับวิธีการถดถอย การศึกษาพบว่าข้อผิดพลาดของแอนรุ่นต่ำกว่าของแบบจำลองถดถอยที่ได้ นอกจากนี้ Catalaoมาเรียโน Mendes และ Ferreira [9] นำไปใช้แอนสำหรับการคาดการณ์ราคาในสัปดาห์ถัดไปในตลาดไฟฟ้าของรัฐแคลิฟอร์เนียและสเปนราคาไฟฟ้าระยะสั้น ราคาต่อชั่วโมงข้อมูลของ 42 วันก่อนสัปดาห์ที่มีการคาดการณ์ที่มีราคาถูกใช้เป็นข้อมูลทางประวัติศาสตร์ ที่เงื่อนไขข้อผิดพลาด (MAPE) รุ่นแอนถูกเปรียบเทียบกับหนึ่งจากรุ่นอาและผลระบุว่า แอนน์ที่ outperformed รุ่นอา ในทำนองเดียวกัน Bakirtzis, Petridis, Klartzisและมีโครงข่ายประสาทเทียมเพื่อคาดการณ์โหลดทุกวันกับเวลารอคอยสินค้าของพัฒนา Alexladis [10]วันที่ 1-7 ผล seasonality จากการใช้พลังงานสูงในวันหยุดรวมอยู่ในการรูปแบบ โดยใช้การฝึกตามฤดูกาล (แอนกับข้อมูลประวัติศาสตร์โรงฝึกอบรม)วิธีการถดถอยเชิงเส้นหลายยังคงเป็นตัวเลือกการคาดการณ์ที่น่าสนใจเนื่องจาก

ผลลัพธ์ (ไทย) 2:

วิธีการคาดการณ์อีกประการหนึ่งคือการใช้วิธีการที่แอนจะได้รับการทำนายรูปแบบที่.
การพัฒนาแบบจำลอง ANN
อยู่บนพื้นฐานของการศึกษาความสัมพันธ์ระหว่างตัวแปรและตัวแปรเอาท์พุท สำหรับการประยุกต์ใช้ในการพยากรณ์ฮและเฉิน [8]
การประเมินประสิทธิภาพการทำงานของแอนวิธีการ(ขึ้นอยู่กับสามปัจจัยการผลิตเช่น GDP ประชากรและอุณหภูมิ)
ที่จะคาดการณ์ในระดับภูมิภาคยอดโหลดในไต้หวัน ข้อมูลทางประวัติศาสตร์เป็นภาระพลังงานประจำปีในแต่ละภูมิภาค 1981-2000
และประสิทธิภาพการทำงานของแอนวิธีการเปรียบเทียบกับวิธีการถดถอยที่
ผลการศึกษาแสดงให้เห็นว่าข้อผิดพลาดของรูปแบบแอนอย่างมีนัยสำคัญต่ำกว่าที่ของรูปแบบการถดถอย นอกจากนี้ Catalao,
มาเรียโน, เมนเดสและเฟร์ [9] ประสบความสำเร็จใช้ ANN สำหรับการคาดการณ์ราคาสัปดาห์ต่อไปในตลาดไฟฟ้าของสเปนและรัฐแคลิฟอร์เนียไฟฟ้าในระยะสั้นราคา ราคาชั่วโมงข้อมูล 42 วันก่อนที่จะถึงสัปดาห์ที่มีราคาถูกคาดการณ์ถูกใช้เป็นข้อมูลทางประวัติศาสตร์ที่ เกณฑ์ข้อผิดพลาด (MAPE) ของแบบจำลอง ANN เมื่อเทียบกับหนึ่งจากแบบจำลอง ARIMA และผลการชี้ให้เห็นว่าแอนดีกว่ารูปแบบ ARIMA ในทำนองเดียวกัน Bakirtzis, Petridis, Klartzis และ Alexladis [10] การพัฒนาเครือข่ายประสาทเทียมที่จะคาดการณ์โหลดในชีวิตประจำวันที่มีเวลานำของ1-7 วัน ผลกระทบของฤดูกาลจากการใช้พลังงานสูงในช่วงวันหยุดถูกรวมอยู่ในรูปแบบโดยใช้การฝึกอบรมตามฤดูกาล (การฝึกอบรม ANN กับข้อมูลทางประวัติศาสตร์วันหยุด). หลายที่วิธีการถดถอยเชิงเส้นยังคงเป็นตัวเลือกที่น่าสนใจเพราะการคาดการณ์

ผลลัพธ์ (ไทย) 3:

อีกวิธีคือการใช้วิธีการและสร้างแบบจำลองการทำนาย .
การพัฒนาแอนรุ่นใช้ศึกษาความสัมพันธ์ระหว่างตัวแปรและ
ตัวแปรเอาท์พุท เพื่อประยุกต์ใช้ในการพยากรณ์ ต่อมาเฉิน [ 8 ] ประเมินประสิทธิภาพของแอน
วิธีการ ( จาก 3 ปัจจัย คือ เศรษฐกิจ ประชากร และอุณหภูมิ ) เพื่อพยากรณ์
สูงสุดในภูมิภาคโหลดในไต้หวัน ข้อมูลทางประวัติศาสตร์เป็นโหลดไฟฟ้าประจำปีในแต่ละภาคตั้งแต่ปีพ.ศ. 2524 ถึงปี 2000 และผลงานของแอน
วิธีการ เมื่อเทียบกับการใช้วิธี ผลการศึกษาพบว่า รูปแบบของแอน
ข้อผิดพลาดที่ลดลงของการถดถอยแบบ นอกจากนี้ catalao
Mariano , ,เมนเดส และเฟร์ [ 9 ] เรียบร้อยแล้วใช้แอนสำหรับการพยากรณ์ราคาสัปดาห์ถัดไปในตลาดสเปนและไฟฟ้าของรัฐแคลิฟอร์เนียระยะสั้นไฟฟ้าราคา รายชั่วโมงข้อมูลราคา
42 วัน ก่อนสัปดาห์ที่ราคา คาดว่าจะถูกใช้เป็นข้อมูลทางประวัติศาสตร์
ข้อผิดพลาดมาตรฐาน ( MAPE ) ของแบบจำลอง ANN นั้นเมื่อเทียบกับหนึ่งจากแบบจำลองและ
ผลการวิจัยพบว่า แอน ในแบบจำลอง ARIMA . ในทํานองเดียวกัน bakirtzis petridis klartzis
, , และ alexladis [ 10 ] การพัฒนาโครงข่ายประสาทเทียมเพื่อการพยากรณ์โหลดทุกวัน กับระยะเวลาของ
หนึ่งถึงเจ็ดวัน ฤดูกาล ผลจากการใช้พลังงานสูงในวันหยุดรวมอยู่ในรูปแบบการฝึก
ตามฤดูกาล ( ฝึกให้แอนกับข้อมูลทางประวัติศาสตร์
วันหยุด )หลายวิธีการถดถอยเชิงเส้นยังคงเป็นทางเลือกที่น่าสนใจเพราะการพยากรณ์