Amaury de Souza, Flavio Aristone, Wanderlei Mendes Ferreira, Débora Aparecida da Silva Santos
Conjuntos de datos colectivos de más de diez años (2005 a 2014) en Aquidauana, ciudad el estado de Mato Grosso del Sur, Brasil, se estudiaron en un intento de evaluar y determinar las contribuciones de fuentes que afectan al consumo de agua. Una técnica precisa de regresión lineal múltiple (MLR) se preparó como una herramienta avanzada para el consumo de agua, modelización y previsión. Además, se utilizó el análisis de componentes principales (PCA) para simplificar y comprender la compleja relación entre los parámetros de consumo de agua. Siete componentes principales fueron considerados responsables de la estructura de datos, denominada provisionalmente como: consumo de agua, número de consumidores, temperatura, humedad, precipitación y velocidad del viento. La estacionalidad explica el 94 % de la varianza total para todos los conjuntos de datos. Por lo tanto, el uso de PCA como entradas mejoró la predicción del modelo MLR mediante la reducción de su complejidad y la eliminación de la colinealidad de datos. El valor R2 en este estudio es 0,93 y el modelo indica que 94 % de la variabilidad se explica por las siete variables independientes utilizadas en el modelo
Collective sets of data over ten years (2005 to 2014) in the city of Aquidauana, state of South Mato Grosso, Brazil, were studied in an attempt to assess and determine the contributions of sources affecting the water consumption. A precise technique of multiple linear regressions (MLR) was prepared as an advanced tool for water consumption, modeling and forecasting. Furthermore, principle component analysis (PCA) was used to simplify and understand the complex relation among Water consumption parameters. Seven principle components were considered responsible for the data structure, provisionally named as consumption of water, number of consumers, temperature, humidity, precipitation and wind speed. Seasonality explains 94 % of the total variance for all data sets. Therefore, the use of PCA as inputs improved the MLR model prediction by reducing their complexity and eliminating data collinearity.
R2 value in this study is 0.93 and the model indicates that 94 % variability is explained by the seven independent variables used in the model
© 2001-2024 Fundación Dialnet · Todos los derechos reservados