Resumen

La capacidad del modelo de máquina de aprendizaje extremo (ELM, por sus siglas en inglés) para modelar problemas de ingeniería hidrológica estocásticos, no lineales y complejos ha sido comprobada notablemente. El algoritmo de entrenamiento clásico de ELM se basa en un procedimiento no ajustado y aleatorio que podría no ser eficiente en la convergencia de un rendimiento excelente o en posibles problemas de atrapamiento en los mínimos locales. Este estudio actual investiga la integración de un algoritmo metaheurístico recientemente explorado (es decir, el Algoritmo de Enjambre de Salpas (SSA)) con el modelo ELM para predecir el caudal mensual del río. Se utiliza como caso de estudio una serie temporal de datos de caudal de veinte años del río Tigris en la estación de Bagdad, Irak. Se aplican diferentes combinaciones de entradas para construir los modelos predictivos basados en valores anteriores. Los resultados se evalúan en base a varias medidas estadísticas y presentaciones gráficas. La precis

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Máquina de aprendizaje extremo; Ingeniería hidrológica; Algoritmo de Enjambre de Salpas; Pronóstico de caudal de ríos; Inteligencia artificial; Modelo de datos inteligente
• Keywords:Extreme learning machine; Hydrological engineering; Salp Swarm Algorithm; River flow forecast; Artificial intelligence; Data-intelligent model