論文の概要: Data-Driven Copy-Paste Imputation for Energy Time Series
- arxiv url: http://arxiv.org/abs/2101.01423v1
- Date: Tue, 5 Jan 2021 09:26:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-11 11:27:21.609945
- Title: Data-Driven Copy-Paste Imputation for Energy Time Series
- Title(参考訳): エネルギー時系列に対するデータ駆動コピーペーストインプテーション
- Authors: Moritz Weber, Marian Turowski, H\"useyin K. \c{C}akmak, Ralf Mikut,
Uwe K\"uhnapfel, Veit Hagenmeyer
- Abstract要約: 本稿では,エネルギー時系列に対する新しいコピーペーストインプテーション(cpi)法を提案する。
cpi法は、同様の特性を持つデータブロックをコピーし、各ギャップの合計エネルギーを維持しながら時系列のギャップにペーストする。
比較のために選択された3つのベンチマークインプテーションメソッドをはるかに上回っている。
- 参考スコア(独自算出の注目度): 0.2446672595462589
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A cornerstone of the worldwide transition to smart grids are smart meters.
Smart meters typically collect and provide energy time series that are vital
for various applications, such as grid simulations, fault-detection, load
forecasting, load analysis, and load management. Unfortunately, these time
series are often characterized by missing values that must be handled before
the data can be used. A common approach to handle missing values in time series
is imputation. However, existing imputation methods are designed for power time
series and do not take into account the total energy of gaps, resulting in
jumps or constant shifts when imputing energy time series. In order to overcome
these issues, the present paper introduces the new Copy-Paste Imputation (CPI)
method for energy time series. The CPI method copies data blocks with similar
properties and pastes them into gaps of the time series while preserving the
total energy of each gap. The new method is evaluated on a real-world dataset
that contains six shares of artificially inserted missing values between 1 and
30%. It outperforms by far the three benchmark imputation methods selected for
comparison. The comparison furthermore shows that the CPI method uses matching
patterns and preserves the total energy of each gap while requiring only a
moderate run-time.
- Abstract(参考訳): スマートグリッドへの世界的移行の基盤は、スマートメーターである。
スマートメータは通常、グリッドシミュレーション、障害検出、負荷予測、負荷分析、負荷管理など、さまざまなアプリケーションで不可欠なエネルギー時系列を収集して提供します。
残念ながら、これらの時系列はデータを使用する前に処理しなければならない値の欠如によって特徴づけられることが多い。
時系列における欠落値を扱う一般的なアプローチはインプテーションである。
しかし、既存の計算法はパワータイムシリーズ用に設計されており、ギャップの総エネルギーを考慮していないため、エネルギータイムシリーズを計算する際にはジャンプや一定シフトが発生する。
本稿では,これらの問題を克服するために,エネルギ時系列に対する新しいCPI法を提案する。
CPI法は、同様の特性を持つデータブロックをコピーし、各ギャップの総エネルギーを保持しながら時系列のギャップに貼り付ける。
提案手法は,人工的に挿入された6つの欠落値の共有を1~30%含む実世界のデータセットで評価する。
比較のために選択された3つのベンチマークインプテーションメソッドをはるかに上回っている。
比較の結果,cpi法ではマッチングパターンを用い,各ギャップの総エネルギーを適度な実行時間のみに保ちながら保存できることがわかった。
関連論文リスト
- Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳(メタデータ) (2024-01-11T10:10:16Z) - Continuous-time Autoencoders for Regular and Irregular Time Series
Imputation [23.886009470057555]
時系列計算は、時系列の最も基本的なタスクの1つである。
最近の自己注意に基づく手法は、最先端の計算性能を示している。
連続時間リカレントニューラルネットワークに基づく計算法の設計は,長年にわたって見過ごされてきた。
論文 参考訳(メタデータ) (2023-12-27T14:13:42Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation
for Time Series [49.992908221544624]
時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。
従来の深層学習法は時系列計算に有効であることが示されている。
本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
論文 参考訳(メタデータ) (2023-12-03T05:52:30Z) - Filling time-series gaps using image techniques: Multidimensional
context autoencoder approach for building energy data imputation [0.0]
エネルギー予測と管理の構築は、ここ数十年でますます重要になっている。
エネルギーデータは、しばしば複数のソースから収集され、不完全または矛盾する可能性がある。
この研究は、PConv、畳み込みニューラルネットワーク(CNN)、および、最も広く公開されている建築エネルギーデータセットの1つを使用した週毎の永続性手法を比較した。
論文 参考訳(メタデータ) (2023-07-12T05:46:37Z) - Continuous-time convolutions model of event sequences [53.36665135225617]
イベントシーケンスデータの巨大なサンプルは、eコマース、ヘルスケア、ファイナンスなど、さまざまなドメインで発生します。
利用可能なデータの量とクライアント毎のイベントシーケンスの長さは典型的には大きいため、長期的なモデリングが必要である。
時間内の事象の一様発生に適した連続畳み込みニューラルネットワークに基づくCOTIC法を提案する。
論文 参考訳(メタデータ) (2023-02-13T10:34:51Z) - STING: Self-attention based Time-series Imputation Networks using GAN [4.052758394413726]
GANを用いたSING(Self-attention based Time-Series Imputation Networks)を提案する。
我々は、時系列の潜在表現を学習するために、生成的対向ネットワークと双方向リカレントニューラルネットワークを利用する。
3つの実世界のデータセットによる実験結果から、STINGは既存の最先端手法よりも計算精度が優れていることが示された。
論文 参考訳(メタデータ) (2022-09-22T06:06:56Z) - HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。
本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。
本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-08-11T14:05:51Z) - Time Series Anomaly Detection by Cumulative Radon Features [32.36217153362305]
本研究は,分布距離測定と組み合わせた場合,浅部特徴が十分であると主張する。
提案手法は,各時系列を高次元的特徴分布としてモデル化する。
累積ラドン特徴量を用いて各時系列をパラメータ化することにより、正規時系列の分布を効率的に効果的にモデル化できることを示す。
論文 参考訳(メタデータ) (2022-02-08T18:58:53Z) - Elastic Product Quantization for Time Series [19.839572576189187]
本稿では,時間ゆらぎの時間系列の効率的な類似度に基づく比較に製品量子化を用いることを提案する。
提案手法は, 時系列アプリケーションにおける弾性測度を, 高効率(メモリ使用量と時間の両方)で置き換える手法として現れる。
論文 参考訳(メタデータ) (2022-01-04T09:23:06Z) - Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
時系列データは、気候、経済、医療などいくつかの領域で広く使われている。
最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。
ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
論文 参考訳(メタデータ) (2021-10-11T13:46:28Z) - Networked Time Series Prediction with Incomplete Data [59.45358694862176]
我々は、歴史と未来の両方で欠落した値を持つ不完全なデータでトレーニングできる新しいディープラーニングフレームワークであるNetS-ImpGANを提案する。
3つの実世界のデータセットに対して、異なるパターンと欠落率で広範な実験を行う。
論文 参考訳(メタデータ) (2021-10-05T18:20:42Z)
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。