論文の概要: Pattern Similarity-based Machine Learning Methods for Mid-term Load
Forecasting: A Comparative Study
- arxiv url: http://arxiv.org/abs/2003.01475v1
- Date: Tue, 3 Mar 2020 12:14:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 21:58:28.250969
- Title: Pattern Similarity-based Machine Learning Methods for Mid-term Load
Forecasting: A Comparative Study
- Title（参考訳）: 中期負荷予測のためのパターン類似性に基づく機械学習手法の比較研究
- Authors: Grzegorz Dudek, Pawe{\l} Pe{\l}ka
- Abstract要約: パターン類似性に基づく年次電力需要予測手法について検討した。
モデルの不可欠な部分は、時系列シーケンスのパターンを用いた時系列表現である。
近接モデル,ファジィ近傍モデル,カーネル回帰モデル,一般回帰ニューラルネットワークの4つのモデルを考える。
- 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: Pattern similarity-based methods are widely used in classification and
regression problems. Repeated, similar-shaped cycles observed in seasonal time
series encourage to apply these methods for forecasting. In this paper we use
the pattern similarity-based methods for forecasting monthly electricity demand
expressing annual seasonality. An integral part of the models is the time
series representation using patterns of time series sequences. Pattern
representation ensures the input and output data unification through trend
filtering and variance equalization. Consequently, pattern representation
simplifies the forecasting problem and allows us to use models based on pattern
similarity. We consider four such models: nearest neighbor model, fuzzy
neighborhood model, kernel regression model and general regression neural
network. A regression function is constructed by aggregation output patterns
with weights dependent on the similarity between input patterns. The advantages
of the proposed models are: clear principle of operation, small number of
parameters to adjust, fast optimization procedure, good generalization ability,
working on the newest data without retraining, robustness to missing input
variables, and generating a vector as an output. In the experimental part of
the work the proposed models were used to forecasting the monthly demand for 35
European countries. The model performances were compared with the performances
of the classical models such as ARIMA and exponential smoothing as well as
state-of-the-art models such as multilayer perceptron, neuro-fuzzy system and
long short-term memory model. The results show high performance of the proposed
models which outperform the comparative models in accuracy, simplicity and ease
of optimization.
- Abstract（参考訳）: パターン類似性に基づく手法は分類や回帰問題で広く使われている。
季節の時系列で観測される類似した周期は、予測にこれらの方法を適用することを奨励する。
本稿では,季節性を表す毎月の電力需要予測のためのパターン類似性に基づく手法を提案する。
モデルの不可欠な部分は、時系列シーケンスのパターンを用いた時系列表現である。
パターン表現は、トレンドフィルタリングと分散等化による入出力データの統一を保証する。
その結果、パターン表現は予測問題を単純化し、パターン類似性に基づいたモデルの使用を可能にする。
近距離近傍モデル,ファジィ近傍モデル,カーネル回帰モデル,一般回帰ニューラルネットワークの4つのモデルを検討した。
回帰関数は、入力パターン間の類似度に依存する重みを持つ集約出力パターンによって構成される。
提案モデルの利点は、演算の明確な原理、最適化手順の調整のための少数のパラメータ、最適化能力の向上、再学習なしに最新のデータに取り組むこと、入力変数の欠如に対する堅牢性、出力としてベクトルを生成することである。
実験で提案されたモデルは、欧州35カ国の毎月の需要予測に使用された。
モデル性能は、ARIMAのような古典モデルの性能と指数的滑らか化、および多層パーセプトロン、ニューロファジィシステム、長期記憶モデルといった最先端モデルと比較した。
その結果,提案モデルの精度,簡易性,最適化の容易さにおいて,比較モデルに匹敵する性能が得られた。
関連論文リスト
- Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。
推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。
我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
論文 参考訳（メタデータ） (2024-11-02T07:06:53Z) - Predictive Modeling in the Reservoir Kernel Motif Space [0.9217021281095907]
本研究では,線形貯水池のカーネルビューに基づく時系列予測手法を提案する。
我々は、我々のアプローチがコア貯水池モデルとどのように関係しているかについての光を遮蔽するアプローチの幾何学的解釈を提供する。
実験では,提案モデルの予測性能と最近の最先端変圧器モデルとの比較を行った。
論文 参考訳（メタデータ） (2024-05-11T16:12:25Z) - Random Models for Fuzzy Clustering Similarity Measures [0.0]
Adjusted Rand Index (ARI) は、ハードクラスタリングを比較するために広く使われている手法である。
本稿では,ハードクラスタリングとファジィクラスタリングの両方に対して直感的で説明可能な3つのランダムモデルを用いて,ARIを計算するための単一のフレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-16T00:07:04Z) - On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。
このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。
我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
論文 参考訳（メタデータ） (2022-06-09T17:12:32Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - Time Adaptive Gaussian Model [0.913755431537592]
我々のモデルは、時間的グラフィカルモデルの推論のための最先端手法の一般化である。
時間内にデータポイントをクラスタリングすることでパターン認識を行い、観察された変数間の確率的(そしておそらく因果関係)関係を見つける。
論文 参考訳（メタデータ） (2021-02-02T00:28:14Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳（メタデータ） (2020-10-25T18:51:15Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳（メタデータ） (2020-10-05T20:03:13Z) - Control as Hybrid Inference [62.997667081978825]
本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。
連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
論文 参考訳（メタデータ） (2020-07-11T19:44:09Z) - Semi-nonparametric Latent Class Choice Model with a Flexible Class
Membership Component: A Mixture Model Approach [6.509758931804479]
提案したモデルは、従来のランダムユーティリティ仕様に代わるアプローチとして混合モデルを用いて潜在クラスを定式化する。
その結果,混合モデルにより潜在クラス選択モデル全体の性能が向上した。
論文 参考訳（メタデータ） (2020-07-06T13:19:26Z) - Ensemble Forecasting of Monthly Electricity Demand using Pattern
Similarity-based Methods [0.0]
パターン類似性に基づく予測手法(PSFM)を用いた月次電力需要のアンサンブル予測について述べる。
本研究で適用されたPSFMには、$k$-nearest 近傍モデル、ファジィ近傍モデル、カーネル回帰モデル、一般回帰ニューラルネットワークなどがある。
実験的なイラストは、ヨーロッパの35か国における月次電力需要予測と比較するために、アンサンブルモデルと個々のPSFMを適用している。
論文 参考訳（メタデータ） (2020-03-29T17:26:58Z)
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。