論文の概要: Energy consumption forecasting using a stacked nonparametric Bayesian
approach
- arxiv url: http://arxiv.org/abs/2011.05519v1
- Date: Wed, 11 Nov 2020 02:27:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 23:05:52.112107
- Title: Energy consumption forecasting using a stacked nonparametric Bayesian
approach
- Title(参考訳): 重ね合わせ非パラメトリックベイズ手法によるエネルギー消費量予測
- Authors: Dilusha Weeraddana, Nguyen Lu Dang Khoa, Lachlan O Neil, Weihong Wang,
and Chen Cai
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 3.4449150144113254
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, the process of forecasting household energy consumption is
studied within the framework of the nonparametric Gaussian Process (GP), using
multiple short time series data. As we begin to use smart meter data to paint a
clearer picture of residential electricity use, it becomes increasingly
apparent that we must also construct a detailed picture and understanding of
consumer's complex relationship with gas consumption. Both electricity and gas
consumption patterns are highly dependent on various factors, and the intricate
interplay of these factors is sophisticated. Moreover, since typical gas
consumption data is low granularity with very few time points, naive
application of conventional time-series forecasting techniques can lead to
severe over-fitting. Given these considerations, we construct a stacked GP
method where the predictive posteriors of each GP applied to each task are used
in the prior and likelihood of the next level GP. We apply our model to a
real-world dataset to forecast energy consumption in Australian households
across several states. We compare intuitively appealing results against other
commonly used machine learning techniques. Overall, the results indicate that
the proposed stacked GP model outperforms other forecasting techniques that we
tested, especially when we have a multiple short time-series instances.
- Abstract(参考訳): 本稿では、複数の時系列データを用いて、非パラメトリックガウス過程(GP)の枠組みの中で家庭のエネルギー消費を予測する過程を研究する。
スマートメーターデータを用いて住宅用電気使用の鮮明なイメージを描き始めると, 消費者のガス消費との複雑な関係を詳細に把握し, 理解する必要があることが明らかになってきた。
電気とガスの消費パターンは様々な要因に大きく依存しており、これらの要因の複雑な相互作用は高度である。
また, 典型的なガス消費データは低粒度であり, 時間点も極めて少ないため, 従来の時系列予測技術の適用は過度な過度なオーバーフィットにつながる可能性がある。
これらの考察を踏まえ、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重畳GP法を構築する。
このモデルを実世界のデータセットに適用し、複数の州におけるオーストラリアの世帯のエネルギー消費量を予測する。
直感的に魅力的な結果と他の一般的な機械学習技術との比較を行った。
以上の結果から,提案したGPモデルの方が,テストした他の予測手法よりも優れていることが示唆された。
関連論文リスト
- AI-Powered Predictions for Electricity Load in Prosumer Communities [0.0]
本稿では,人工知能を用いた短期負荷予測手法を提案する。
その結果、(負荷予測タスクに適応した)持続的項と回帰的項の組み合わせは、最高の予測精度が得られることがわかった。
論文 参考訳(メタデータ) (2024-02-21T12:23:09Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - Forecasting Auxiliary Energy Consumption for Electric Heavy-Duty
Vehicles [6.375656754994484]
電気自動車の運転を最適化するためには、エネルギー消費予測が不可欠である。
本稿では、データのサブセット上で複数の回帰モデルをトレーニングすることで、潜在的な解決策を実証する。
合成データセットと実世界のデータセットの両方の実験では、複雑な問題をより単純なデータセットに分割することで、より良い回帰性能と解釈可能性が得られることが示されている。
論文 参考訳(メタデータ) (2023-11-27T16:52:25Z) - 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) - Using Google Trends as a proxy for occupant behavior to predict building
energy consumption [0.0]
そこで本研究では,Google Trendsプラットフォーム上でのトピックの検索量を,利用者の行動と建物利用のプロキシとして活用するアプローチを提案する。
その結果、高い相関性を持つGoogle Trendsデータは、建物のサブセット全体のRMSLEエラーを、GEPIIIコンペティションの上位5チームのパフォーマンスのレベルに効果的に低減できることを示した。
論文 参考訳(メタデータ) (2021-10-31T08:05:23Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - Investigating Underlying Drivers of Variability in Residential Energy
Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。
本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
論文 参考訳(メタデータ) (2021-02-16T16:56:27Z) - Physics-Informed Gaussian Process Regression for Probabilistic States
Estimation and Forecasting in Power Grids [67.72249211312723]
電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。
PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。
提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
論文 参考訳(メタデータ) (2020-10-09T14:18:31Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z) - Online Hierarchical Forecasting for Power Consumption Data [0.0]
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。
論文 参考訳(メタデータ) (2020-03-01T21:01:59Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳(メタデータ) (2020-02-21T13:48:13Z)
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。