Core Concepts
Durch die Verwendung der Vorhersagen des Modells als Eingabe in den Trainingsprozess und die Änderung der Verlustfunktion, um die langfristige Dynamik zu berücksichtigen, konnten die Simulatoren für die Abwasserbehandlung deutlich verbessert werden.
Abstract
Die Studie befasst sich mit der Entwicklung genauerer Simulatoren für die Abwasserbehandlung, um sie für tiefes Reinforcement Learning einsetzen zu können. Dafür wurden zwei Methoden implementiert:
- Verwendung der Modellvorhersagen als Eingabe im Trainingsprozess, um Vorhersagefehler zu korrigieren.
- Änderung der Verlustfunktion, um die langfristige Dynamik der Prozesse besser abzubilden.
Die experimentellen Ergebnisse zeigten, dass diese Methoden die Genauigkeit der Simulatoren in Bezug auf Dynamic Time Warping um bis zu 98% im Vergleich zum Basismodell verbessern können. Diese Verbesserungen zeigen großes Potenzial, um Simulatoren für biologische Prozesse zu erstellen, die kein Vorwissen über den Prozess erfordern, sondern ausschließlich auf Zeitreihendaten basieren.
Stats
Die Implementierung dieser Methoden kann die Genauigkeit der Simulatoren in Bezug auf Dynamic Time Warping um bis zu 98% im Vergleich zum Basismodell verbessern.
Die durchschnittliche Verbesserung der mittleren quadratischen Abweichung (MSE) beträgt 90% im Vergleich zum Basismodell.
Die durchschnittliche Verbesserung des Dynamic Time Warping (DTW) beträgt 81% im Vergleich zum Basismodell.
Quotes
"Durch die Verwendung der Vorhersagen des Modells als Eingabe in den Trainingsprozess und die Änderung der Verlustfunktion, um die langfristige Dynamik zu berücksichtigen, konnten die Simulatoren für die Abwasserbehandlung deutlich verbessert werden."
"Diese Verbesserungen zeigen großes Potenzial, um Simulatoren für biologische Prozesse zu erstellen, die kein Vorwissen über den Prozess erfordern, sondern ausschließlich auf Zeitreihendaten basieren."