論文の概要: Energy time series forecasting-Analytical and empirical assessment of
conventional and machine learning models
- arxiv url: http://arxiv.org/abs/2108.10663v1
- Date: Tue, 24 Aug 2021 12:02:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-25 14:13:07.669406
- Title: Energy time series forecasting-Analytical and empirical assessment of
conventional and machine learning models
- Title（参考訳）: エネルギー時系列予測-従来モデルおよび機械学習モデルの分析および経験的評価
- Authors: Hala Hamdoun, Alaa Sagheer and Hassan Youness
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Machine learning methods have been adopted in the literature as contenders to
conventional methods to solve the energy time series forecasting (TSF)
problems. Recently, deep learning methods have been emerged in the artificial
intelligence field attaining astonishing performance in a wide range of
applications. Yet, the evidence about their performance in to solve the energy
TSF problems, in terms of accuracy and computational requirements, is scanty.
Most of the review articles that handle the energy TSF problem are systematic
reviews, however, a qualitative and quantitative study for the energy TSF
problem is not yet available in the literature. The purpose of this paper is
twofold, first it provides a comprehensive analytical assessment for
conventional,machine learning, and deep learning methods that can be utilized
to solve various energy TSF problems. Second, the paper carries out an
empirical assessment for many selected methods through three real-world
datasets. These datasets related to electrical energy consumption problem,
natural gas problem, and electric power consumption of an individual household
problem.The first two problems are univariate TSF and the third problem is a
multivariate TSF. Com-pared to both conventional and machine learning
contenders, the deep learning methods attain a significant improvement in terms
of accuracy and forecasting horizons examined. In the mean-time, their
computational requirements are notably greater than other contenders.
Eventually,the paper identifies a number of challenges, potential research
directions, and recommendations to the research community may serve as a basis
for further research in the energy forecasting domain.
- Abstract（参考訳）: エネルギー時系列予測(tsf)問題を解く従来の手法の候補として,機械学習手法が文献に採用されている。
近年,人工知能分野において,幅広い応用において驚くべき性能を発揮する深層学習手法が出現している。
しかし、そのエネルギーのtsf問題を解決するための性能に関する証拠は、正確さと計算の要求の観点からは、乏しい。
エネルギーTSF問題を扱うレビュー記事の大部分は体系的なレビューであるが、エネルギーTSF問題に対する質的かつ定量的な研究は文献ではまだ行われていない。
本論文の目的は2つであり、まず、従来の機械学習と深層学習を総合的に分析し、様々なエネルギー的TSF問題の解法として活用することである。
第2に,実世界の3つのデータセットを用いて,選択した手法の実証評価を行う。
家庭問題における電力消費問題, 天然ガス問題, 電力消費に関するこれらのデータセットは, 最初の2つの問題は不定形tsfであり, 3つ目の問題は多変量tsfである。
従来型と機械学習の両競技者に比較して, 深層学習法は, 精度と予測地平線を著しく改善した。
平均時において、計算の要求は他の競争相手よりも顕著に大きい。
論文は最終的に、エネルギー予測領域におけるさらなる研究の基盤として、多くの課題、研究の方向性、研究コミュニティへの勧告を特定する。
関連論文リスト
- Learning Iterative Reasoning through Energy Diffusion [90.24765095498392]
我々は,エネルギー拡散による反復的推論(IRED)を紹介した。
IREDは入力条件と所望の出力の間の制約を表現するためにエネルギー関数を学ぶ。
IREDは、連続空間推論、離散空間推論、計画タスクにおいて既存の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-06-17T03:36:47Z) - Exploring Artificial Intelligence Methods for Energy Prediction in
Healthcare Facilities: An In-Depth Extended Systematic Review [0.9208007322096533]
本研究は, 病院ビルのエネルギー消費予測に機械学習と人工知能技術を用いた論文のPRISMAフレームワークを用いた文献レビューを行った。
このレビューでは、エネルギー予測に影響を与えるさまざまなデータ入力が明らかにされ、占有率と気象データが重要な予測因子として出現した。
この発見は、病院のエネルギー消費を最適化するAIの巨大な可能性を浮き彫りにしただけでなく、より包括的できめ細かい研究の必要性も浮き彫りにしている。
論文 参考訳（メタデータ） (2023-11-27T13:30:20Z) - Exploring Progress in Multivariate Time Series Forecasting:
Comprehensive Benchmarking and Heterogeneity Analysis [72.18987459587682]
MTS予測における公正な比較のために設計されたベンチマークであるBasicTSを紹介する。
MTSデータセットの不均一性を強調し、時間的特徴と空間的特徴に基づいて分類する。
論文 参考訳（メタデータ） (2023-10-09T19:52:22Z) - Knowledge-enhanced Neural Machine Reasoning: A Review [67.51157900655207]
既存の知識強化手法を2つの主要なカテゴリと4つのサブカテゴリに分類する新しい分類法を導入する。
我々は、現在のアプリケーションドメインを解明し、将来的な研究の展望について洞察を提供する。
論文 参考訳（メタデータ） (2023-02-04T04:54:30Z) - Automated Extraction of Energy Systems Information from Remotely Sensed
Data: A Review and Analysis [10.137044808866053]
高品質なエネルギーシステム情報は、エネルギーシステムの研究、モデリング、意思決定にとって重要な入力である。
近年、リモートセンシングされたデータは、エネルギーシステム情報の豊富な情報源として浮上している。
機械学習の最近の進歩は、有用な情報の自動化と迅速な抽出を可能にしている。
論文 参考訳（メタデータ） (2022-02-18T14:38:49Z) - Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。
また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
論文 参考訳（メタデータ） (2021-11-28T14:24:52Z) - Machine learning methods for modelling and analysis of time series
signals in geoinformatics [2.193013035690221]
この論文は、異なる性質の時系列データセットと異なるアプリケーションに対して、複数のディープラーニング(DL)アーキテクチャの性能を評価する。
最初の問題は、多くのリアルタイム・グローバルナビゲーション・システム・サテライト(GNSS)アプリケーションにおいて重要な問題である電離層トータル・コンテント(TEC)モデリングに関連している。
次の問題はエネルギー分散であり、エネルギー効率とエネルギー消費意識にとって重要な問題である。
論文 参考訳（メタデータ） (2021-09-16T16:18:13Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳（メタデータ） (2021-08-09T17:39:09Z) - Artificial Intelligence Based Prognostic Maintenance of Renewable Energy
Systems: A Review of Techniques, Challenges, and Future Research Directions [3.1123064748686287]
データ分析と機械学習(ML)技術は、これらの予後維持システムの全体的な効率を高めるために使われています。
本稿では,文献に報告されている予測/予測保守フレームワークの概要について述べる。
MLベースのソリューションの重要な側面として、ドメインで一般的に使用されるデータセットについても議論します。
論文 参考訳（メタデータ） (2021-04-20T11:41:00Z) - Randomization-based Machine Learning in Renewable Energy Prediction
Problems: Critical Literature Review, New Results and Perspectives [6.771141943827748]
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。
論文 参考訳（メタデータ） (2021-03-26T17:38:46Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳（メタデータ） (2019-12-28T02:44:29Z)
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。