論文の概要: Online Hierarchical Forecasting for Power Consumption Data

• arxiv url: http://arxiv.org/abs/2003.00585v1
• Date: Sun, 1 Mar 2020 21:01:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-27 12:46:44.676120
• Title: Online Hierarchical Forecasting for Power Consumption Data
• Title（参考訳）: 電力消費データに対するオンライン階層予測
• Authors: Margaux Br\'eg\`ere and Malo Huard
• Abstract要約: 本研究では、世帯の電力消費の予測と、そのサブ人口の予測について検討する。 私たちのアプローチは,機能生成,集約,投影という3つのステップで構成されています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the forecasting of the power consumptions of a population of households and of subpopulations thereof. These subpopulations are built according to location, to exogenous information and/or to profiles we determined from historical households consumption time series. Thus, we aim to forecast the electricity consumption time series at several levels of households aggregation. These time series are linked through some summation constraints which induce a hierarchy. Our approach consists in three steps: feature generation, aggregation and projection. Firstly (feature generation step), we build, for each considering group for households, a benchmark forecast (called features), using random forests or generalized additive models. Secondly (aggregation step), aggregation algorithms, run in parallel, aggregate these forecasts and provide new predictions. Finally (projection step), we use the summation constraints induced by the time series underlying hierarchy to re-conciliate the forecasts by projecting them in a well-chosen linear subspace. We provide some theoretical guaranties on the average prediction error of this methodology, through the minimization of a quantity called regret. We also test our approach on households power consumption data collected in Great Britain by multiple energy providers in the Energy Demand Research Project context. We build and compare various population segmentations for the evaluation of our approach performance.
• Abstract（参考訳）: 本研究では,世帯の消費電力の予測と,その下位人口の予測について検討する。 これらのサブポピュレーションは、歴史的世帯消費時系列から決定した外生情報および/またはプロファイルに基づいて、位置に応じて構築される。 そこで本稿では, 電力消費時系列を数段階の家庭集合体で予測することを目的とする。 これらの時系列は、階層を誘導する和の制約によってリンクされる。 私たちのアプローチは,機能生成,集約,投影という3つのステップで構成されています。 第一に(機能生成ステップ)、各世帯の群について、ランダムな森林や一般化された加法モデルを用いて、ベンチマーク予測(特徴と呼ばれる)を行う。 次に(集約ステップ)集約アルゴリズムを並列に実行し、これらの予測を集約し、新しい予測を提供する。 最後に(射影ステップ)、時系列階層によって引き起こされる総和制約を用いて予測を再調整し、それらを well-chosen linear subspace に投影する。 我々は,この手法の平均予測誤差について,後悔と呼ばれる量の最小化を通じて理論的に保証する。 また、エネルギー需要調査プロジェクトにおいて、複数のエネルギー提供者によってイギリスで収集された世帯の電力消費データに対する我々のアプローチをテストした。 我々は,アプローチ性能の評価のために,様々な集団区分を構築し,比較する。

関連論文リスト

• Hierarchical Forecasting at Scale [55.658563862299495]
  既存の階層予測技術は、時系列の数が増加するとスケールが低下する。 我々は,1つのボトムレベル予測モデルを用いて,数百万の時系列のコヒーレントな予測を学習することを提案する。 欧州の大規模なeコマースプラットフォームであるbolの既存の予測モデルにおいて、スパース階層的損失関数を実装した。
  論文  参考訳（メタデータ） (2023-10-19T15:06:31Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• Frugal day-ahead forecasting of multiple local electricity loads by aggregating adaptive models [0.0]
  フランスにおける配電網の変電所の日頭電力負荷予測に着目する。 そこで我々は,パラメータの数を削減し,伝達学習を実現するフラジカル変種を開発した。 私たちは、運用アプリケーションにとって重要なモデルの解釈可能性を強調します。
  論文  参考訳（メタデータ） (2023-02-16T10:17:19Z)
• Comparative Analysis of Time Series Forecasting Approaches for Household Electricity Consumption Prediction [3.7458346891274013]
  データマイニングツールであるWekaを使用して、まず、Kaggleのデータサイエンスコミュニティから利用可能な、時間給と日給のエネルギー消費データセットのモデルを適用します。 第2に,大韓民国選択世帯の世帯エネルギー消費を天気データと無気象データを用いて予測するために,時系列予測モデルであるARIMAとVARをピソンに導入した。 以上の結果から,エネルギー消費予測の最良の方法は,多層パーセプトロンとガウスプロセス回帰に続く支持ベクトル回帰であることがわかった。
  論文  参考訳（メタデータ） (2022-07-03T12:16:54Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• A Clustering Framework for Residential Electric Demand Profiles [2.294014185517203]
  本稿では,オランダのアムステルダム市に居住する世帯の電気需要プロファイルを分析した。 包括的なクラスタリングフレームワークは、電力消費パターンに基づいて世帯を分類するために定義される。
  論文  参考訳（メタデータ） (2021-05-17T09:19:34Z)
• Energy consumption forecasting using a stacked nonparametric Bayesian approach [3.4449150144113254]
  複数の時系列データを用いて家庭のエネルギー消費を予測する方法について検討する。 我々は,各タスクに適用された各GPの予測後部を,次のレベルGPの事前および可能性に使用するスタック型GP法を構築する。 いくつかの州にまたがるオーストラリアの世帯のエネルギー消費を予測するために,我々のモデルを実世界のデータセットに適用した。
  論文  参考訳（メタデータ） (2020-11-11T02:27:00Z)
• Topology-based Clusterwise Regression for User Segmentation and Demand Forecasting [63.78344280962136]
  本研究は,パブリックおよび新規な商用データ集合を用いて,アナリストがユーザベースをクラスタリングし,詳細なレベルで需要を計画できることを示す。 本研究は,TDAに基づく時系列クラスタリングと行列因数分解法によるクラスタ回帰を実践者にとって実行可能なツールとして導入することを目的とする。
  論文  参考訳（メタデータ） (2020-09-08T12:10:10Z)
• Additive stacking for disaggregate electricity demand forecasting [1.0499611180329804]
  将来のグリッド管理システムは、分散生産と貯蔵資源を協調して管理し、コスト効率の良い方法で、輸送の電化と天候依存生産の高割合による負荷と変動を増大させる。 世帯ごとの消費パターンの不均一性や信号対雑音比の低さから、総需要予測よりも困難である各世帯レベルでの需要予測に焦点をあてる。 特に,需要動態の異なるモデルや「専門家」を開発し,各世帯のデータに適合させる。 そして、アンサンブルが重みを持つ専門家の集合を構築します。
  論文  参考訳（メタデータ） (2020-05-20T14:54:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。