論文の概要: State space models for building control: how deep should you go?

• arxiv url: http://arxiv.org/abs/2010.12257v1
• Date: Fri, 23 Oct 2020 09:38:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 00:20:31.236983
• Title: State space models for building control: how deep should you go?
• Title（参考訳）: 建築管理のための状態空間モデル: どこまで深く行くべきか?
• Authors: Baptiste Schubnel, Rafael E. Carrillo, Paolo Taddeo, Lluc Canals Casals, Jaume Salom, Yves Stauffer and Pierre-Jean Alet
• Abstract要約: 本研究は, ビルディング制御にRNNを用いることで, MPCフレームワークでネットゲインが得られるかどうかを系統的に検討する。 温度の1時間予測誤差はRNNモデルより69%低い。 線形状態空間モデルは、目的関数で10%向上し、2.8倍の温度違反を示し、RNNモデルに必要な時間の3分の1を必要とする。
• 参考スコア（独自算出の注目度）: 3.1171750528972204
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Power consumption in buildings show non-linear behaviors that linear models cannot capture whereas recurrent neural networks (RNNs) can. This ability makes RNNs attractive alternatives for the model-predictive control (MPC) of buildings. However RNN models lack mathematical regularity which makes their use challenging in optimization problems. This work therefore systematically investigates whether using RNNs for building control provides net gains in an MPC framework. It compares the representation power and control performance of two architectures: a fully non-linear RNN architecture and a linear state-space model with non-linear regressor. The comparison covers five instances of each architecture over two months of simulated operation in identical conditions. The error on the one-hour forecast of temperature is 69% lower with the RNN model than with the linear one. In control the linear state-space model outperforms by 10% on the objective function, shows 2.8 times higher average temperature violations, and needs a third of the computation time the RNN model requires. This work therefore demonstrates that in their current form RNNs do improve accuracy but on balance well-designed linear state-space models with non-linear regressors are best in most cases of MPC.
• Abstract（参考訳）: 建物内の電力消費は線形モデルではキャプチャできない非線形挙動を示し、recurrent neural network (rnn) では実現可能である。 この能力により、RNNは建物のモデル予測制御(MPC)に魅力的な代替手段となる。 しかし、rnnモデルには数学的正則性が欠けているため、最適化問題での使用は困難である。 そこで本研究では, ビルディング制御に RNN を用いることで, MPC フレームワークでネットゲインが得られるかどうかを系統的に検討する。 完全な非線形RNNアーキテクチャと非線形回帰器を備えた線形状態空間モデルという、2つのアーキテクチャの表現力と制御性能を比較する。 比較は、同じ条件下での2ヶ月間のシミュレート操作で、各アーキテクチャの5つのインスタンスをカバーする。 温度の1時間予測の誤差は、rnnモデルでは線形モデルよりも69%低い。 線形状態空間モデルは、目的関数で10%向上し、2.8倍の温度違反を示し、RNNモデルに必要な計算時間の3分の1を必要とする。 したがって、現在の形式ではRNNは精度を向上するが、非線形回帰器を持つよく設計された線形状態空間モデルはMPCのほとんどの場合において最適であることを示す。

関連論文リスト

• Beyond Closure Models: Learning Chaotic-Systems via Physics-Informed Neural Operators [78.64101336150419]
  カオスシステムの長期的挙動を予測することは、気候モデリングなどの様々な応用に不可欠である。 このような完全解法シミュレーションに対する別のアプローチは、粗いグリッドを使用して、時間テキストモデルによってエラーを修正することである。 この制限を克服する物理インフォームド・ニューラル演算子(PINO)を用いたエンド・ツー・エンドの学習手法を提案する。
  論文  参考訳（メタデータ） (2024-08-09T17:05:45Z)
• LION: Linear Group RNN for 3D Object Detection in Point Clouds [85.97541374148508]
  本稿では,LInear grOup RNN上に構築されたウィンドウベースフレームワークを提案する。 3次元空間特徴記述器を導入し,それを線形群 RNN 演算子に統合して空間特徴を増強する。 高分散点雲の課題にさらに対処するため,前景の特徴を密度化するための3次元ボクセル生成戦略を提案する。
  論文  参考訳（メタデータ） (2024-07-25T17:50:32Z)
• Hierarchically Gated Recurrent Neural Network for Sequence Modeling [36.14544998133578]
  階層的Gated Recurrent Neural Network (HGRN) と呼ばれるゲート線形RNNモデルを提案する。 言語モデリング,画像分類,長距離アリーナベンチマーク実験は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-11-08T16:50:05Z)
• Recurrent Bilinear Optimization for Binary Neural Networks [58.972212365275595]
  BNNは、実数値重みとスケールファクターの内在的双線型関係を無視している。 私たちの仕事は、双線形の観点からBNNを最適化する最初の試みです。 我々は、様々なモデルやデータセット上で最先端のBNNに対して印象的な性能を示す頑健なRBONNを得る。
  論文  参考訳（メタデータ） (2022-09-04T06:45:33Z)
• Improved Batching Strategy For Irregular Time-Series ODE [0.0]
  本稿では, ODE-RNN 上でのランタイムの改善を, 異なる効率的な戦略を用いて提案する。 実験の結果,データの不規則性に応じてODE-RNNのランタイムを2倍から49倍に削減できることがわかった。
  論文  参考訳（メタデータ） (2022-07-12T17:30:02Z)
• Optimal Model Placement and Online Model Splitting for Device-Edge Co-Inference [22.785214118527872]
  デバイスのエッジコ推論は、リソース制約のある無線デバイスがディープニューラルネットワーク(DNN)ベースのアプリケーションを実行する新たな可能性を開く。 デバイスエッジ共振器のエネルギー・時間コストを最小限に抑えるため,モデル配置とオンラインモデル分割決定の協調最適化について検討した。
  論文  参考訳（メタデータ） (2021-05-28T06:55:04Z)
• Self-Learning for Received Signal Strength Map Reconstruction with Neural Architecture Search [63.39818029362661]
  ニューラルアーキテクチャサーチ(NAS)と受信信号強度(RSS)マップ再構築のための自己学習に基づくモデルを提案する。 このアプローチは、まず最適なNNアーキテクチャを見つけ、与えられた(RSS)マップの地上実測値に対して同時に推論モデルを訓練する。 実験結果から,この第2モデルの信号予測は,非学習に基づく最先端技術や,アーキテクチャ探索を伴わないNNモデルよりも優れていた。
  論文  参考訳（メタデータ） (2021-05-17T12:19:22Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Auditory Attention Decoding from EEG using Convolutional Recurrent Neural Network [20.37214453938965]
  聴覚注意復号(aad)アプローチは,マルチトーカーシナリオにおいて参加者のアイデンティティを判定するために提案されている。 近年,この問題を解決するためにディープニューラルネットワーク(DNN)に基づくモデルが提案されている。 本論文では,新しい畳み込み型リカレントニューラルネットワーク(CRNN)に基づく回帰モデルと分類モデルを提案する。
  論文  参考訳（メタデータ） (2021-03-03T05:09:40Z)
• Nonlinear State-Space Generalizations of Graph Convolutional Neural Networks [172.18295279061607]
  グラフ畳み込みニューラルネットワーク(GCNN)は、線形グラフ畳み込みを非線形にネストすることで、ネットワークデータから構成表現を学習する。 本稿では,GCNNを状態空間の観点からアプローチし,グラフ畳み込みモジュールが最小値線形状態空間モデルであることを明らかにする。 この状態更新は、非パラメトリックであり、グラフスペクトルによって爆発または消滅する可能性があるため、問題となる可能性がある。 本稿では,非線形な状態空間パラメトリック方式でノード特徴を階層内に集約し,よりよいトレードオフを実現するという,新しい結節集合規則を提案する。
  論文  参考訳（メタデータ） (2020-10-27T19:48:56Z)

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。