論文の概要: Short-term Load Forecasting Based on Hybrid Strategy Using Warm-start Gradient Tree Boosting

• arxiv url: http://arxiv.org/abs/2005.11478v2
• Date: Mon, 7 Dec 2020 17:59:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 03:28:59.117615
• Title: Short-term Load Forecasting Based on Hybrid Strategy Using Warm-start Gradient Tree Boosting
• Title（参考訳）: Warm-start Gradient Tree Boosting を用いたハイブリッド戦略に基づく短期負荷予測
• Authors: Yuexin Zhang, Jiahong Wang
• Abstract要約: Warm-start Gradient Tree Boosting (WGTB) を用いた新しいアンサンブル手法の提案 バイアス分散トレードオフにインスパイアされたWGTBは、精度、ボラティリティ、線形性に関する異なる推論モデル間での大きな相違に適応して提案され、調整される。 この戦略は、中国のState Grid Corporationの2つの実際のデータセットで検証されている。
• 参考スコア（独自算出の注目度）: 3.553493344868413
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A deep-learning-based hybrid strategy for short-term load forecasting is presented. The strategy proposes a novel tree-based ensemble method Warm-start Gradient Tree Boosting (WGTB). Current strategies either ensemble submodels of a single type, which fail to take advantage of the statistical strengths of different inference models. Or they simply sum the outputs from completely different inference models, which doesn't maximize the potential of ensemble. Inspired by the bias-variance trade-off, WGTB is proposed and tailored to the great disparity among different inference models on accuracy, volatility and linearity. The complete strategy integrates four different inference models of different capacities. WGTB then ensembles their outputs by a warm-start and a hybrid of bagging and boosting, which lowers bias and variance concurrently. It is validated on two real datasets from State Grid Corporation of China of hourly resolution. The result demonstrates the effectiveness of the proposed strategy that hybridizes the statistical strengths of both low-bias and low-variance inference models.
• Abstract（参考訳）: 短期負荷予測のためのディープラーニングに基づくハイブリッド戦略を提案する。 この戦略は,Warm-start Gradient Tree Boosting (WGTB) を用いた新しいアンサンブル手法を提案する。 現在の戦略は、1つのタイプのサブモデルをアンサンブルするか、異なる推論モデルの統計的強度を利用できない。 あるいは、全く異なる推論モデルの出力を単純にまとめるだけで、アンサンブルの可能性を最大化しない。 バイアス分散トレードオフにインスパイアされたWGTBは、精度、ボラティリティ、線形性に関する異なる推論モデル間での大きな相違に適応して提案される。 完全な戦略は、異なる能力の4つの異なる推論モデルを統合する。 wgtbはその出力をウォームスタートとバッキングとブースティングのハイブリッドでアンサンブルし、バイアスと分散を同時に低減する。 中国のstate grid corporationの1時間分解能の2つの実際のデータセットで検証される。 その結果,低バイアスおよび低分散推論モデルの統計的強みをハイブリダイゼーションする手法の有効性が示された。

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)
• Infinite forecast combinations based on Dirichlet process [9.326879672480413]
  本稿では,ディリクレ過程に基づく深層学習アンサンブル予測モデルを提案する。 単一のベンチマークモデルに比べて予測精度と安定性が大幅に向上している。
  論文  参考訳（メタデータ） (2023-11-21T06:41:41Z)
• Aggregation Weighting of Federated Learning via Generalization Bound Estimation [65.8630966842025]
  フェデレートラーニング(FL)は通常、サンプル比率によって決定される重み付けアプローチを使用して、クライアントモデルパラメータを集約する。 上記の重み付け法を,各局所モデルの一般化境界を考慮した新しい戦略に置き換える。
  論文  参考訳（メタデータ） (2023-11-10T08:50:28Z)
• Sparse Model Soups: A Recipe for Improved Pruning via Model Averaging [24.64264715041198]
  Sparse Model Soups (SMS) は,各プルー・リトレインサイクルを前フェーズから平均モデルに開始することでスパースモデルをマージする新しい手法である。 SMSはスパース性を保ち、スパースネットワークの利点を悪用し、モジュール化され、完全に並列化可能であり、IMPのパフォーマンスを大幅に改善する。
  論文  参考訳（メタデータ） (2023-06-29T08:49:41Z)
• Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
  同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。 また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。 様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
  論文  参考訳（メタデータ） (2023-02-22T14:50:24Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)
• Daily peak electrical load forecasting with a multi-resolution approach [2.207988653560308]
  ピークシェービングのようなスマートグリッド戦略の実装には,ピークマグニチュードとタイミングの理解が最重要である。 本稿では,高分解能かつ低分解能な情報を利用して,日次ピーク需要の規模とタイミングを予測する手法を提案する。 結果として生じるマルチ解像度モデリングフレームワークは、異なるモデルクラスに適応することができる。
  論文  参考訳（メタデータ） (2021-12-08T13:14:38Z)
• A cautionary tale on fitting decision trees to data from additive models: generalization lower bounds [9.546094657606178]
  本研究では,異なる回帰モデルに対する決定木の一般化性能について検討する。 これにより、アルゴリズムが新しいデータに一般化するために(あるいは作らない)仮定する帰納的バイアスが引き起こされる。 スパース加法モデルに適合する大規模な決定木アルゴリズムに対して、シャープな2乗誤差一般化を低い境界で証明する。
  論文  参考訳（メタデータ） (2021-10-18T21:22:40Z)
• Smoothed Bernstein Online Aggregation for Day-Ahead Electricity Demand Forecasting [0.0]
  本稿では,日頭電力需要予測におけるIEEE DataPortコンペティションの勝利方法について述べる。 日頭負荷予測手法は、複数点予測モデルのオンライン予測組み合わせに基づいている。 このアプローチは柔軟で、新型コロナウイルス(COVID-19)のシャットダウンの前後で発生した新しいエネルギーシステムに迅速に適用することができる。
  論文  参考訳（メタデータ） (2021-07-13T17:51:21Z)
• Probabilistic Circuits for Variational Inference in Discrete Graphical Models [101.28528515775842]
  変分法による離散的グラフィカルモデルの推論は困難である。 エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。 Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。 選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-22T05:04:38Z)

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。