論文の概要: Machine learning methods for modelling and analysis of time series
signals in geoinformatics
- arxiv url: http://arxiv.org/abs/2109.09499v1
- Date: Thu, 16 Sep 2021 16:18:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-24 03:04:53.943725
- Title: Machine learning methods for modelling and analysis of time series
signals in geoinformatics
- Title（参考訳）: ジオインフォマティクスにおける時系列信号のモデリングと解析のための機械学習手法
- Authors: Maria Kaselimi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.193013035690221
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this dissertation is provided a comparative analysis that evaluates the
performance of several deep learning (DL) architectures on a large number of
time series datasets of different nature and for different applications. Two
main fruitful research fields are discussed here which were strategically
chosen in order to address current cross disciplinary research priorities
attracting the interest of geodetic community. The first problem is related to
ionospheric Total Electron Content (TEC) modeling which is an important issue
in many real time Global Navigation System Satellites (GNSS) applications.
Reliable and fast knowledge about ionospheric variations becomes increasingly
important. GNSS users of single frequency receivers and satellite navigation
systems need accurate corrections to remove signal degradation effects caused
by the ionosphere. Ionospheric modeling using signal processing techniques is
the subject of discussion in the present contribution. The next problem under
discussion is energy disaggregation which is an important issue for energy
efficiency and energy consumption awareness. Reliable and fast knowledge about
residential energy consumption at appliance level becomes increasingly
important nowadays and it is an important mitigation measure to prevent energy
wastage. Energy disaggregation or Nonintrusive load monitoring (NILM) is a
single channel blind source separation problem where the task is to estimate
the consumption of each electrical appliance given the total energy
consumption. For both problems various deep learning models (DL) are proposed
that cover various aspects of the problem under study, whereas experimental
results indicate the proposed methods superiority compared to the current state
of the art.
- Abstract（参考訳）: この論文では、異なる性質の多数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、いくつか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比較分析を提供する。
地理学コミュニティの関心を惹きつける現在の学際研究課題に取り組むために戦略的に選択された2つの主要な実りある研究分野について論じる。
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衛星(GNSS)アプリケーションにおいて重要な問題である電離圏全電子コンテンツ(TEC)モデリングに関連している。
電離圏変動に関する信頼性と迅速な知識がますます重要になる。
単一周波数受信機と衛星ナビゲーションシステムのGNSSユーザは、電離層による信号劣化の影響を取り除くために正確な修正が必要である。
信号処理技術を用いた電離圏モデリングは,本研究における議論の対象となっている。
次に議論されている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。
アプライアンスレベルでの住宅エネルギー消費に関する信頼性と迅速な知識がますます重要になってきており、省エネルギー対策として重要なものとなっている。
エネルギー分散(英: energy disaggregation, nonintrusive load monitoring、nilm)は、電力消費の合計から各家電の消費を推定する単一チャネルブラインドソース分離問題である。
両問題に対して,研究対象の諸側面をカバーする各種ディープラーニングモデル (DL) を提案し, 実験結果から, 提案手法が現状よりも優れていることが示された。
関連論文リスト
- SEN12-WATER: A New Dataset for Hydrological Applications and its Benchmarking [40.996860106131244]
気候と干ばつの増加は、世界中の水資源管理に重大な課題をもたらしている。
本稿では,干ばつ関連分析のためのエンドツーエンドディープラーニングフレームワークを用いたベンチマークとともに,新しいデータセットであるSEN12-WATERを提案する。
論文 参考訳（メタデータ） (2024-09-25T16:50:59Z) - An Energy-Efficient Ensemble Approach for Mitigating Data Incompleteness in IoT Applications [0.0]
同時にエネルギー効率を向上しながら、データの不完全性に対して堅牢なIoTベースの機械学習システムを構築することが重要である。
ENAMLEは、同時に欠落するデータの影響を緩和するための、能動的でエネルギーに配慮した技術である。
本研究では,ENAMLEのエネルギー効率を示す2つの異なるデータセットについて広範な実験を行った。
論文 参考訳（メタデータ） (2024-03-15T15:01:48Z) - A Scoping Review of Energy Load Disaggregation [1.6783315930924723]
エネルギー負荷の分散は、需要側管理の有効性を高めることで電力グリッドのバランスに寄与する。
現在、この分野は包括的概要を欠いている。
国内電力消費が最も研究されている地域であり、産業負荷の分散など他の地域もほとんど議論されていない。
論文 参考訳（メタデータ） (2024-01-10T09:59:12Z) - ImputeFormer: Low Rankness-Induced Transformers for Generalizable Spatiotemporal Imputation [43.684035409535696]
既存の計算ソリューションには、主に低ランクモデルとディープラーニングモデルが含まれる。
強誘導バイアスと高時間モデル表現率の低ランク化によるバイアスバランスを示す。
交通流,太陽エネルギー,スマートメーター,空気品質など,異種データセットの精度,効率,汎用性において,その優位性を示す。
論文 参考訳（メタデータ） (2023-12-04T08:35:31Z) - Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。
マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。
シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文 参考訳（メタデータ） (2023-09-16T11:37:23Z) - 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) - Adversarial Energy Disaggregation for Non-intrusive Load Monitoring [78.47901044638525]
非侵入負荷モニタリング(Non-Inrusive Load Monitoring, NILM)としても知られるエネルギー分散は、家庭全体の電力消費を家電固有の個人消費に分けるという問題に挑戦する。
近年の進歩は、ディープニューラルネットワーク(DNN)がNILMに有利な性能を得られることを示している。
我々は、エネルギー分散タスクに新しくなったNILMに、敵対的学習の考え方を導入する。
論文 参考訳（メタデータ） (2021-08-02T03:56:35Z) - 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) - Energy Aware Deep Reinforcement Learning Scheduling for Sensors
Correlated in Time and Space [62.39318039798564]
相関情報を利用するスケジューリング機構を提案する。
提案したメカニズムは、センサが更新を送信する頻度を決定することができる。
我々は,センサの寿命を大幅に延長できることを示した。
論文 参考訳（メタデータ） (2020-11-19T09:53:27Z) - Augmented Convolutional LSTMs for Generation of High-Resolution Climate
Change Projections [1.7503398807380832]
統計的ダウンスケーリングのための補助的情報時空間ニューラルアーキテクチャを提案する。
現在の研究では、世界で最も気候的に多様化したインドにおいて、ESMの出力から1.15度 (115 km) から0.25度 (25 km) まで、毎日降水量のダウンスケーリングを行っている。
論文 参考訳（メタデータ） (2020-09-23T17:52:09Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z)
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。