論文の概要: Interpreting Machine Learning Models for Room Temperature Prediction in
Non-domestic Buildings
- arxiv url: http://arxiv.org/abs/2111.13760v1
- Date: Tue, 23 Nov 2021 11:16:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-06 00:44:55.797637
- Title: Interpreting Machine Learning Models for Room Temperature Prediction in
Non-domestic Buildings
- Title（参考訳）: 非住宅における室温予測のための機械学習モデル解釈
- Authors: Jianqiao Mao, Grammenos Ryan
- Abstract要約: 本研究では,非住宅の室温予測を目的とした解釈可能な機械学習モデルを提案する。
提案モデルでは, 室温をリアルタイムで8時間前に正確に予測できることを実験的に実証した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An ensuing challenge in Artificial Intelligence (AI) is the perceived
difficulty in interpreting sophisticated machine learning models, whose
ever-increasing complexity makes it hard for such models to be understood,
trusted and thus accepted by human beings. The lack, if not complete absence,
of interpretability for these so-called black-box models can lead to serious
economic and ethical consequences, thereby hindering the development and
deployment of AI in wider fields, particularly in those involving critical and
regulatory applications. Yet, the building services industry is a
highly-regulated domain requiring transparency and decision-making processes
that can be understood and trusted by humans. To this end, the design and
implementation of autonomous Heating, Ventilation and Air Conditioning systems
for the automatic but concurrently interpretable optimisation of energy
efficiency and room thermal comfort is of topical interest. This work therefore
presents an interpretable machine learning model aimed at predicting room
temperature in non-domestic buildings, for the purpose of optimising the use of
the installed HVAC system. We demonstrate experimentally that the proposed
model can accurately forecast room temperatures eight hours ahead in real-time
by taking into account historical RT information, as well as additional
environmental and time-series features. In this paper, an enhanced feature
engineering process is conducted based on the Exploratory Data Analysis
results. Furthermore, beyond the commonly used Interpretable Machine Learning
techniques, we propose a Permutation Feature-based Frequency Response Analysis
(PF-FRA) method for quantifying the contributions of the different predictors
in the frequency domain. Based on the generated reason codes, we find that the
historical RT feature is the dominant factor that has most impact on the model
prediction.
- Abstract（参考訳）: 人工知能(AI)における次の課題は、高度な機械学習モデルを解釈することの難しさである。
こうしたブラックボックスモデルに対する解釈可能性の欠如は、経済的および倫理的な結果をもたらす可能性があるため、特に批判的および規制的な応用に関わる分野において、AIの開発と展開を妨げている。
しかし、構築サービス産業は、人間によって理解され信頼される透明性と意思決定プロセスを必要とする高度に規制されたドメインです。
この目的のために、自動だが同時に解釈可能なエネルギー効率と室温快適性の最適化のための自律加熱・換気・空調システムの設計と実装が話題となっている。
そこで本研究では,HVACシステムの利用を最適化するため,非住宅の室温予測を目的とした解釈可能な機械学習モデルを提案する。
提案モデルでは,過去のRT情報や環境・時系列の付加的特徴を考慮し,室温をリアルタイムに8時間予測できることを実験的に実証した。
本稿では,探索的データ解析結果に基づいて機能工学の強化を行う。
さらに、一般的な解釈可能な機械学習技術を超えて、周波数領域における異なる予測者の寄与を定量化するための置換特徴量ベース周波数応答解析(pf-fra)法を提案する。
生成した理由コードに基づいて,過去のRT特徴がモデル予測に最も影響を及ぼす要因であることがわかった。
関連論文リスト
- Accurate Prediction of Temperature Indicators in Eastern China Using a Multi-Scale CNN-LSTM-Attention model [0.0]
マルチスケールの畳み込み型CNN-LSTM-Attentionアーキテクチャに基づく天気予報モデルを提案する。
このモデルは、畳み込みニューラルネットワーク(CNN)、Long Short-Term Memory(LSTM)ネットワーク、およびアテンションメカニズムを統合している。
実験結果から, モデルが高精度に温度変動を予測できることが示唆された。
論文 参考訳（メタデータ） (2024-12-11T00:42:31Z) - On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-10-21T18:31:04Z) - Interpretable Machine Learning for Weather and Climate Prediction: A Survey [24.028385794099435]
気象予測に適用された現在の解釈可能な機械学習手法について概説する。
ツリーアンサンブルや説明可能なニューラルネットワークといったアーキテクチャを使って、スクラッチから本質的に解釈可能なモデルを設計する。
物理原理に沿ったより深い機械的解釈を達成するための研究課題について論じる。
論文 参考訳（メタデータ） (2024-03-24T14:23:35Z) - Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。
我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。
この手法を現実のシナリオに適用するのは,私たちが初めてです。
論文 参考訳（メタデータ） (2023-12-18T09:05:28Z) - FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。
FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。
シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文 参考訳（メタデータ） (2023-12-16T02:07:56Z) - FaIRGP: A Bayesian Energy Balance Model for Surface Temperatures
Emulation [13.745581787463962]
本稿では,エネルギー収支モデルの物理温度応答方程式を満たすデータ駆動エミュレータであるFaIRGPを紹介する。
本稿では,FaIRGPを用いて大気上層放射力の推定値を得る方法について述べる。
この研究が、気候エミュレーションにおけるデータ駆動手法の採用の拡大に寄与することを期待している。
論文 参考訳（メタデータ） (2023-07-14T08:43:36Z) - Physics-constrained deep learning postprocessing of temperature and
humidity [0.0]
深層学習に基づく後処理モデルにおける物理的整合性を実現することを提案する。
熱力学状態方程式を強制するためにニューラルネットワークを制約することは、物理的に一貫性のある予測をもたらす。
論文 参考訳（メタデータ） (2022-12-07T09:31:25Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳（メタデータ） (2022-11-09T23:40:52Z) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳（メタデータ） (2022-06-26T10:58:41Z) - Attention Mechanism for Multivariate Time Series Recurrent Model
Interpretability Applied to the Ironmaking Industry [0.0]
本稿では,高炉で発生した高温金属の深部学習アーキテクチャを予測可能な多変量時系列で予測する手法の開発に焦点をあてる。
長短期記憶(LSTM)に基づくアーキテクチャが提案され,各入力に対する局所的時間的解釈可能性の予測に適合する。
その結果, 本アーキテクチャが高確率で高炉データに適用され, 本来の高炉プロセスによって予測される真の複雑な変数関係を正しく反映した解釈性が得られることがわかった。
論文 参考訳（メタデータ） (2020-07-15T07:18:36Z) - VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven
Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。
LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。
本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
論文 参考訳（メタデータ） (2020-07-15T07:07:07Z)
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。