論文の概要: Randomization-based Machine Learning in Renewable Energy Prediction
Problems: Critical Literature Review, New Results and Perspectives
- arxiv url: http://arxiv.org/abs/2103.14624v1
- Date: Fri, 26 Mar 2021 17:38:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-29 12:29:03.663517
- Title: Randomization-based Machine Learning in Renewable Energy Prediction
Problems: Critical Literature Review, New Results and Perspectives
- Title（参考訳）: 再生可能エネルギー予測問題におけるランダム化に基づく機械学習:批判文献レビュー、新しい結果と展望
- Authors: Javier Del Ser, David Casillas-Perez, Laura Cornejo-Bueno, Luis
Prieto-Godino, Julia Sanz-Justo, Carlos Casanova-Mateo, Sancho Salcedo-Sanz
- Abstract要約: ランダム化に基づく機械学習手法の最も重要な特徴と再生可能エネルギー予測問題への応用について概説する。
太陽、風力、水力エネルギーに関する現実世界の問題を含む広範な実験研究により、当社のクリティカル分析をサポートします。
- 参考スコア（独自算出の注目度）: 6.771141943827748
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Randomization-based Machine Learning methods for prediction are currently a
hot topic in Artificial Intelligence, due to their excellent performance in
many prediction problems, with a bounded computation time. The application of
randomization-based approaches to renewable energy prediction problems has been
massive in the last few years, including many different types of
randomization-based approaches, their hybridization with other techniques and
also the description of new versions of classical randomization-based
algorithms, including deep and ensemble approaches. In this paper we review the
most important characteristics of randomization-based machine learning
approaches and their application to renewable energy prediction problems. We
describe the most important methods and algorithms of this family of modeling
methods, and perform a critical literature review, examining prediction
problems related to solar, wind, marine/ocean and hydro-power renewable
sources. We support our critical analysis with an extensive experimental study,
comprising real-world problems related to solar, wind and hydro-power energy,
where randomization-based algorithms are found to achieve superior results at a
significantly lower computational cost than other modeling counterparts. We end
our survey with a prospect of the most important challenges and research
directions that remain open this field, along with an outlook motivating
further research efforts in this exciting research field.
- Abstract（参考訳）: ランダム化に基づく予測のための機械学習手法は、多くの予測問題における優れた性能と計算時間の制限により、現在人工知能のホットトピックとなっている。
再生可能エネルギー予測問題へのランダム化ベースのアプローチの適用は、様々な種類のランダム化ベースのアプローチ、他の手法とのハイブリッド化、深層およびアンサンブルアプローチを含む古典的ランダム化ベースのアルゴリズムの新バージョンの記述など、ここ数年で大規模に行われている。
本稿では,ランダム化に基づく機械学習手法の最も重要な特徴とその再生可能エネルギー予測問題への応用について述べる。
本稿では,このモデリング手法の最も重要な手法とアルゴリズムを説明し,太陽,風,海洋/海洋および水力再生可能資源に関する予測問題について検討した。
我々は、太陽・風・水力エネルギーに関する実世界の問題を含む、広範囲な実験研究により、我々の批判的分析を支援し、ランダム化に基づくアルゴリズムは、他のモデリング手法よりもはるかに低い計算コストで優れた結果が得られることが判明した。
我々は、この分野に残る最も重要な課題と研究の方向性の見通しと、このエキサイティングな研究分野におけるさらなる研究活動の動機となる展望で、調査を終了する。
関連論文リスト
- Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - A Unified View of Deep Learning for Reaction and Retrosynthesis
Prediction: Current Status and Future Challenges [59.41636061300571]
反応と再合成予測は計算化学の基本的な課題である。
これらの問題に対処するために、様々なディープラーニングアプローチが提案されている。
本報告は,反応の統一的理解と再合成予測を目的とした,初めての総合的かつ体系的な調査である。
論文 参考訳（メタデータ） (2023-06-28T03:15:55Z) - A review of predictive uncertainty estimation with machine learning [0.0]
機械学習アルゴリズムを用いて予測不確実性推定の話題を概観する。
我々は確率的予測を評価するための関連する指標(一貫性スコアリング関数と適切なスコアリングルール)について論じる。
このレビューでは、ユーザーのニーズに合わせて新しいアルゴリズムを開発する方法についての理解を深める。
論文 参考訳（メタデータ） (2022-09-17T10:36:30Z) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳（メタデータ） (2022-07-19T16:15:11Z) - Theoretical Perspectives on Deep Learning Methods in Inverse Problems [115.93934028666845]
我々は、生成前の先行、訓練されていないニューラルネットワークの先行、および展開アルゴリズムに焦点を当てる。
これらのトピックにおける既存の結果の要約に加えて、現在進行中の課題やオープンな問題も強調する。
論文 参考訳（メタデータ） (2022-06-29T02:37:50Z) - A review of machine learning concepts and methods for addressing
challenges in probabilistic hydrological post-processing and forecasting [0.0]
我々は,研究された概念や手法の効果的な普及に繋がる重要なアイデアと情報に焦点を当てる。
本稿では,オープンな研究課題を特定し,今後検討すべきアイデアを提案する。
論文 参考訳（メタデータ） (2022-06-17T20:38:18Z) - The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。
我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
論文 参考訳（メタデータ） (2022-05-20T10:10:32Z) - Energy time series forecasting-Analytical and empirical assessment of
conventional and machine learning models [0.0]
機械学習手法は,TSF(Energy Time Series forecasting, エネルギー時系列予測)問題を解く従来の手法と競合するものとして文献に採用されている。
しかし、TSFのエネルギー問題を解決しようとする彼らの業績に関する証拠は、正確さと計算上の要求の観点で見ると、きめ細かである。
本稿では,従来型,機械学習,深層学習を包括的に分析し,様々なエネルギー的TSF問題の解法として活用する。
論文 参考訳（メタデータ） (2021-08-24T12:02:26Z) - Mean-field methods and algorithmic perspectives for high-dimensional
machine learning [5.406386303264086]
障害のあるシステムの統計物理学のツールに基づくアプローチを再検討する。
我々は、様々な理論モデルの位相図に光を放つために、複製法とメッセージパッシングアルゴリズムの深い接続に乗じる。
論文 参考訳（メタデータ） (2021-03-10T09:02:36Z) - Hybrid and Automated Machine Learning Approaches for Oil Fields
Development: the Case Study of Volve Field, North Sea [58.720142291102135]
本稿では,意思決定プロセスを支援する分野開発タスクにおけるインテリジェントなアプローチの利用について述べる。
我々は,油田立地最適化の問題と,その中の2つの課題に注目し,石油生産量推定の品質向上と貯水池特性の評価を行う。
実装されたアプローチは、異なる油田を解析したり、同様の物理問題に適応することができる。
論文 参考訳（メタデータ） (2021-03-03T18:51:46Z) - Random Features for Kernel Approximation: A Survey on Algorithms,
Theory, and Beyond [35.32894170512829]
本研究では,過去10年間のランダムな特徴に関する研究を体系的にレビューする。
まず、代表的ランダム特徴量に基づくアルゴリズムのモチベーション、特徴、貢献について要約する。
第2に, 高い近似品質を確保するために, ランダムな特徴がいくつ必要かという, 以下の重要な問題を中心にした理論的結果について検討する。
第三に、いくつかの大規模ベンチマークデータセットに基づいて、一般的な乱数特徴に基づくアルゴリズムの包括的な評価を行う。
論文 参考訳（メタデータ） (2020-04-23T13:44:48Z)
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。