論文の概要: Short-Term Load Forecasting using Bi-directional Sequential Models and
Feature Engineering for Small Datasets
- arxiv url: http://arxiv.org/abs/2011.14137v1
- Date: Sat, 28 Nov 2020 14:11:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-19 19:11:20.623429
- Title: Short-Term Load Forecasting using Bi-directional Sequential Models and
Feature Engineering for Small Datasets
- Title(参考訳): 双方向シーケンスモデルと小型データセットの特徴工学を用いた短期負荷予測
- Authors: Abdul Wahab, Muhammad Anas Tahir, Naveed Iqbal, Faisal Shafait, Syed
Muhammad Raza Kazmi
- Abstract要約: 本稿では,双方向逐次モデルに基づく短期負荷予測のためのディープラーニングアーキテクチャを提案する。
提案したアーキテクチャでは、生の入力と手作りの特徴を異なるレベルで訓練し、それぞれの出力を組み合わせて最終的な予測を行う。
提案手法の有効性は, 全く異なるパターンを持つ5カ国のデータセットを用いて評価した。
- 参考スコア(独自算出の注目度): 6.619735628398446
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electricity load forecasting enables the grid operators to optimally
implement the smart grid's most essential features such as demand response and
energy efficiency. Electricity demand profiles can vary drastically from one
region to another on diurnal, seasonal and yearly scale. Hence to devise a load
forecasting technique that can yield the best estimates on diverse datasets,
specially when the training data is limited, is a big challenge. This paper
presents a deep learning architecture for short-term load forecasting based on
bidirectional sequential models in conjunction with feature engineering that
extracts the hand-crafted derived features in order to aid the model for better
learning and predictions. In the proposed architecture, named as Deep Derived
Feature Fusion (DeepDeFF), the raw input and hand-crafted features are trained
at separate levels and then their respective outputs are combined to make the
final prediction. The efficacy of the proposed methodology is evaluated on
datasets from five countries with completely different patterns. The results
demonstrate that the proposed technique is superior to the existing state of
the art.
- Abstract(参考訳): 電気負荷予測により、グリッドオペレータは需要応答やエネルギー効率といったスマートグリッドの最も重要な機能を最適に実装できる。
電力需要プロファイルは、日、季節、年ごとに地域によって大きく異なることがある。
したがって、さまざまなデータセット、特にトレーニングデータが制限されている場合に、最高の見積を得られる負荷予測テクニックを考案するのは、大きな課題です。
本稿では,双方向シーケンシャルモデルに基づく短期負荷予測のためのディープラーニングアーキテクチャと,手作りの導出特徴を抽出する特徴工学を組み合わせることで,学習と予測を改善するためのモデルを支援する。
deep derived feature fusion (deepdeff) と名づけられた提案されたアーキテクチャでは、生の入力と手作りのフィーチャは別々のレベルで訓練され、それぞれの出力が組み合わされて最終的な予測が行われる。
提案手法の有効性は, 異なるパターンの5カ国のデータセットを用いて評価した。
その結果,提案手法は既存の技術よりも優れていることがわかった。
関連論文リスト
- Generative Pretrained Hierarchical Transformer for Time Series
Forecasting [4.012001172505646]
本稿ではGPHTと呼ばれる予測のための新しい生成事前学習型階層型トランスフォーマアーキテクチャを提案する。
一方、我々は、様々なデータシナリオから様々なデータセットから構成される、モデルを事前訓練するための混合データセットの構築を提唱する。
一方、GPHTはチャネルに依存しない仮定の下で自己回帰予測手法を採用し、出力系列における時間的依存関係を効果的にモデル化する。
論文 参考訳(メタデータ) (2024-02-26T11:54:54Z) - AMEND: A Mixture of Experts Framework for Long-tailed Trajectory
Prediction [7.346307332191997]
軌道予測のためのモジュラーモデル非依存フレームワークを提案する。
各専門家は、データの特定の部分に関して、特別なスキルで訓練される。
予測のために,相対的信頼スコアを生成することで,最高の専門家を選択するルータネットワークを利用する。
論文 参考訳(メタデータ) (2024-02-13T02:43:41Z) - LESS: Selecting Influential Data for Targeted Instruction Tuning [69.50855460630105]
本稿では,データの影響を推定し,命令データ選択のための低ランクグレーディエント類似度探索を行うアルゴリズムであるLESSを提案する。
LESS選択したデータの5%のトレーニングは、さまざまなダウンストリームタスクにわたる完全なデータセットでのトレーニングよりも優れています。
我々の方法は、意図した下流アプリケーションに必要な推論スキルを識別するために、表面的なフォームキューを超えています。
論文 参考訳(メタデータ) (2024-02-06T19:18:04Z) - When Parameter-efficient Tuning Meets General-purpose Vision-language
Models [65.19127815275307]
PETALは、一意のモード近似技術によって達成される全パラメータの0.5%しか必要とせず、トレーニングプロセスに革命をもたらす。
実験の結果,PETALは現状の手法をほとんどのシナリオで上回るだけでなく,完全な微調整モデルよりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-12-16T17:13:08Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [64.16991399882477]
我々は,データ可用性の制限の下で一般的な軌道予測表現を学習することの課題に取り組むことを目的としている。
我々はHD-mapのグラフ表現を利用し、ベクトル変換を適用して地図を再構成する。
我々は、拡張シーンに基づく軌道を生成するためにルールベースのモデルを用いる。
論文 参考訳(メタデータ) (2023-09-18T19:49:22Z) - Inductive biases in deep learning models for weather prediction [0.0]
我々は6つの最先端のディープラーニング天気予報モデルの帰納バイアスをレビューし分析する。
5つの設計要素のそれぞれの設計選択が構造的仮定にどのように関係しているかを示す。
論文 参考訳(メタデータ) (2023-04-06T14:15:46Z) - Multistep Multiappliance Load Prediction [0.0]
我々は4つの異なる領域の4つのデータセットに基づいて,アプライアンスレベルの負荷予測のための堅牢で正確なモデルを構築した。
実験結果から,長期記憶(LSTM)モデルと並行して,時間特性と気象指標の周期的符号化が最適性能を示すことが示された。
論文 参考訳(メタデータ) (2022-12-19T13:01:51Z) - A Hybrid Framework for Sequential Data Prediction with End-to-End
Optimization [0.0]
オンライン環境での非線形予測について検討し,手作業による特徴や手作業によるモデル選択の問題を効果的に緩和するハイブリッドモデルを提案する。
逐次データからの適応的特徴抽出にはLSTM(Recurrent Neural Network)、効果的な教師付き回帰には勾配強化機構(soft GBDT)を用いる。
本稿では, 合成データに対するアルゴリズムの学習挙動と, 各種実生活データセットに対する従来の手法による性能改善について述べる。
論文 参考訳(メタデータ) (2022-03-25T17:13:08Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳(メタデータ) (2021-12-22T14:45:37Z) - DSEE: Dually Sparsity-embedded Efficient Tuning of Pre-trained Language
Models [152.29364079385635]
事前訓練されたモデルが大きくなればなるほど、微調整のプロセスは時間がかかり、計算コストがかかる可能性がある。
本稿では,重み更新と最終モデルの重み付けに先立って,疎度を活用することで,資源・パラメータ効率の微調整を行うフレームワークを提案する。
提案するフレームワークは,Dually Sparsity-Embeded Efficient Tuning (DSEE)と呼ばれ,パラメータ効率のよい微調整とリソース効率の推論という2つの重要な目標を達成することを目的としている。
論文 参考訳(メタデータ) (2021-10-30T03:29:47Z) - Towards Open-World Feature Extrapolation: An Inductive Graph Learning
Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。
本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文 参考訳(メタデータ) (2021-10-09T09:02:45Z)
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。