Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Time Series Forecasting using a Two-level Multi-objective Genetic Algorithm: A case study of cost data for tunnel fans
Luleå tekniska universitet, Institutionen för samhällsbyggnad och naturresurser, Drift, underhåll och akustik.ORCID-id: 0000-0002-1967-6604
Luleå tekniska universitet, Institutionen för samhällsbyggnad och naturresurser, Drift, underhåll och akustik.ORCID-id: 0000-0001-5620-5265
Luleå tekniska universitet, Institutionen för samhällsbyggnad och naturresurser, Drift, underhåll och akustik.
2018 (Engelska)Ingår i: Algorithms, ISSN 1999-4893, Vol. 11, nr 8, artikel-id 123Artikel i tidskrift (Refereegranskat) Published
Abstract [en]

The aim of this study is to develop a novel two-level multi-objective genetic algorithm (GA) to optimize time series forecasting data for fans used in road tunnels by the Swedish Transport Administration (Trafikverket). The first level is for the process of forecasting time series cost data, while the second level evaluates the forecasting. The first level implements either a multi-objective GA based on the ARIMA model or based on the dynamic regression model. The second level utilises a multi-objective GA based on different forecasting error rates to identify a proper forecasting. Our method is compared with the ARIMA model only. The results show the drawbacks of time series forecasting using the ARIMA model. In addition, the results of the two-level model show the drawbacks of forecasting using a multi-objective GA based on the dynamic regression model. A multi-objective GA based on the ARIMA model produces better forecasting results. In the second level, five forecasting accuracy functions help in selecting the best forecasting. Selecting a proper methodology for forecasting is based on the averages of the forecasted data, the historical data, the actual data and the polynomial trends. The forecasted data can be used for life cycle cost (LCC) analysis.

Ort, förlag, år, upplaga, sidor
MDPI, 2018. Vol. 11, nr 8, artikel-id 123
Nyckelord [en]
ARIMA model, data forecasting, multi-objective genetic algorithm, regression model
Nationell ämneskategori
Annan samhällsbyggnadsteknik
Forskningsämne
Drift och underhållsteknik
Identifikatorer
URN: urn:nbn:se:ltu:diva-70330DOI: 10.3390/a11080123ISI: 000443614500015Scopus ID: 2-s2.0-85052696396OAI: oai:DiVA.org:ltu-70330DiVA, id: diva2:1238066
Anmärkning

Validerad;2018;Nivå 2;2018-08-14 (inah)

Tillgänglig från: 2018-08-11 Skapad: 2018-08-11 Senast uppdaterad: 2019-09-13Bibliografiskt granskad

Open Access i DiVA

fulltext(1915 kB)17 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 1915 kBChecksumma SHA-512
0deda9910310152d55eb9d37b4cd4829b1503fe66e37bc5ad14ef275249f77bd9b7aab6f77be35e813241770ab701be74df4ff180eff361754f6515a6214549b
Typ fulltextMimetyp application/pdf

Övriga länkar

Förlagets fulltextScopus

Personposter BETA

Al-Douri, Yamur K.Hamodi, HussanLundberg, Jan

Sök vidare i DiVA

Av författaren/redaktören
Al-Douri, Yamur K.Hamodi, HussanLundberg, Jan
Av organisationen
Drift, underhåll och akustik
Annan samhällsbyggnadsteknik

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 17 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

doi
urn-nbn

Altmetricpoäng

doi
urn-nbn
Totalt: 106 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf