Forescasting inflows and optimizing outflows with neural networks

dc.contributorAalto-yliopistofi
dc.contributorAalto Universityen
dc.contributor.advisorVakkilainen, Pertti
dc.contributor.authorKärkkäinen, Kari
dc.contributor.departmentRakennus- ja yhdyskuntatekniikan osastofi
dc.contributor.schoolTeknillinen korkeakoulufi
dc.contributor.schoolHelsinki University of Technologyen
dc.contributor.supervisorVakkilainen, Pertti
dc.date.accessioned2020-12-03T20:32:22Z
dc.date.available2020-12-03T20:32:22Z
dc.date.issued1997
dc.description.abstractTämän työn tarkoituksena oli tutkia kuinka hyvin on mahdollista ennustaa tulovirtaamaa ja optimoida juoksutusta hermoverkoilla. Hermoverkko on laskennallinen menetelmä , joka on lähtöisin biologisten hermojärjestelmien ja aivojen tutkimuksesta. Se koostuu kerroksittaisista laskentayksiköistä, neuroneista, ja painollisista kytkennöistä. Hermoverkko luo nämä kytkennät syötteiden ja ulostulojen välille oppimalla esimerkeistä. Tämän jälkeen sen pitäisi olla mahdollista ennustaa ulostulo uudella syöteaineistolla. Ensiksi hermoverkkomallia käytettiin Päijänteen tulovirtaaman ennustamiseen. Hermoverkkomallien ja aikasarjamallien laskemien tuloksien välillä suoritettiin sitten vertailuja. Tuloksien mukaan hermoverkko antoi selvästi parempia ennusteita kuin PAR- ja SARIMA-mallit. Hermoverkon tulokset olivat myös yhtä hyviä kuin kausivaihtelusta puhdistetulla ARMA-mallilla. Niinpä hermoverkot näyttävät olevan käyttökelpoinen menetelmä tulovirtaamien ennustamiseen. Toinen sovellus oli juoksutusten optimointi hermoverkkojen avulla. Optimoinnin tarkoitus oli saada maksimi nettotulo systeemin vuosittaisesta toiminnasta. Tässä tapauksessa tulokset eivät enää olleetkaan niin hyviä. Hermoverkot tarjoavat useita etuja verrattuna perinteisiin menetelmiin. Niillä on kyky kehittää yleistetty ratkaisu ongelmaan esimerkeistä. Yleistämiskyvyn ansiosta niitä voidaan käyttää myös sellaisiin ongelmiin, joita ei ole käytetty niiden opetuksessa ja tuottaa järkevä ratkaisu vaikka opetusaineistossa on virheitä. Nämä tekijät yhdessä tekevät hermoverkoista tehokkaan työkalun mallintamaan ongelmia, missä muuttujien väliset suhteet ovat vaikeasti ymmärrettäviä. Hermoverkot kärsivät kuitenkin myös joistakin heikkouksista: ne eivät pysty tuottamaan ehdottoman tarkkoja tuloksia eikä niille ole olemassa teoriaa, millä ohjata niiden suunnittelua. Toisin sanoen niiden suunnittelu vaatii kokemusta. Kaiken kaikkiaan tulokset olivat melko rohkaisevia. Hermoverkkomalli näyttää varsin lupaavalta tulovirtaaman ennustamiseen.fi
dc.format.extent63
dc.identifier.urihttps://aaltodoc.aalto.fi/handle/123456789/84967
dc.identifier.urnURN:NBN:fi:aalto-2020120343805
dc.language.isofien
dc.programme.majorVesitalous ja vesirakennusfi
dc.programme.mcodeYhd-12fi
dc.rights.accesslevelclosedAccess
dc.titleForescasting inflows and optimizing outflows with neural networksen
dc.titleHermoverkkojen käyttö tulovirtaaman ennustamisessa ja juoksutusten optimoinnissafi
dc.type.okmG2 Pro gradu, diplomityö
dc.type.ontasotMaster's thesisen
dc.type.ontasotPro gradu -tutkielmafi
dc.type.publicationmasterThesis
local.aalto.digiauthask
local.aalto.digifolderAalto_03376
local.aalto.idinssi12148
local.aalto.inssilocationP1 Ark Aalto
local.aalto.openaccessno

Files