Resumen

Los embalses son importantes para los hogares y repercuten en la economía nacional. Este trabajo propone un modelo de previsión de series temporales basado en la estimación de un valor perdido seguido de la selección de variables para predecir el nivel de agua del embalse. Este estudio recogió datos del embalse Shimen de Taiwán, así como datos atmosféricos diarios desde 2008 hasta 2015. Los dos conjuntos de datos se concatenan en un conjunto de datos integrado basado en la ordenación de los datos como un conjunto de datos de investigación. El modelo de previsión de series temporales propuesto tiene, en resumen, tres focos. En primer lugar, este estudio utiliza cinco métodos de imputación para eliminar directamente el valor que falta. En segundo lugar, identificamos la variable clave a través del análisis factorial y, a continuación, eliminamos las variables sin importancia de forma secuencial a través del método de selección de variables. Por último, el modelo propuesto utiliza un Bosque Aleatorio para construir el modelo de previsión del nivel de agua del embalse. Esto se hizo para comparar con el método del listado bajo el error de previsión. Estos resultados experimentales indican que el modelo de previsión Random Forest cuando se aplica a la selección de variables con variables completas tiene un mejor rendimiento de previsión que el modelo de listado. Además, este experimento muestra que la selección de variables propuesta puede ayudar a determinar cinco métodos de previsión utilizados aquí para mejorar la capacidad de previsión.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:modelo de previsión de series, selección de variables, nivel de agua, previsión forestal aleatoria, embalse, propuesta de selección de variables, modelo de previsión forestal, embalse de shimen de taiwán, métodos de selección de variables, datos atmosféricos diarios
• Keywords:series forecasting model, variable selection, water level, random forest forecasting, reservoir, proposed variable selection, forest forecasting model, taiwan shimen reservoir, variable selection methods, daily atmospheric data