論文の概要: ES-dRNN: A Hybrid Exponential Smoothing and Dilated Recurrent Neural
Network Model for Short-Term Load Forecasting
- arxiv url: http://arxiv.org/abs/2112.02663v1
- Date: Sun, 5 Dec 2021 19:38:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-07 18:31:31.647778
- Title: ES-dRNN: A Hybrid Exponential Smoothing and Dilated Recurrent Neural
Network Model for Short-Term Load Forecasting
- Title（参考訳）: ES-dRNN:短期負荷予測のためのハイブリッド指数平滑化と拡張繰り返しニューラルネットワークモデル
- Authors: Slawek Smyl, Grzegorz Dudek, Pawe{\l} Pe{\l}ka
- Abstract要約: 複雑な時系列(TS)のため、短期負荷予測(STLF)は困難である
本稿では,複数の季節性を扱うハイブリッド階層型ディープラーニングモデルを提案する。
指数スムージング(ES)とリカレントニューラルネットワーク(RNN)を組み合わせる。
- 参考スコア（独自算出の注目度）: 1.4502611532302039
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Short-term load forecasting (STLF) is challenging due to complex time series
(TS) which express three seasonal patterns and a nonlinear trend. This paper
proposes a novel hybrid hierarchical deep learning model that deals with
multiple seasonality and produces both point forecasts and predictive intervals
(PIs). It combines exponential smoothing (ES) and a recurrent neural network
(RNN). ES extracts dynamically the main components of each individual TS and
enables on-the-fly deseasonalization, which is particularly useful when
operating on a relatively small data set. A multi-layer RNN is equipped with a
new type of dilated recurrent cell designed to efficiently model both short and
long-term dependencies in TS. To improve the internal TS representation and
thus the model's performance, RNN learns simultaneously both the ES parameters
and the main mapping function transforming inputs into forecasts. We compare
our approach against several baseline methods, including classical statistical
methods and machine learning (ML) approaches, on STLF problems for 35 European
countries. The empirical study clearly shows that the proposed model has high
expressive power to solve nonlinear stochastic forecasting problems with TS
including multiple seasonality and significant random fluctuations. In fact, it
outperforms both statistical and state-of-the-art ML models in terms of
accuracy.
- Abstract（参考訳）: 3つの季節パターンと非線形傾向を表現する複雑な時系列(TS)により,短期負荷予測(STLF)は困難である。
本稿では,複数の季節性に対処し,点予測と予測間隔(PI)の両方を生成するハイブリッド階層型ディープラーニングモデルを提案する。
指数的平滑化(es)とリカレントニューラルネットワーク(rnn)を組み合わせたものだ。
ESは個々のTSの主要コンポーネントを動的に抽出し、比較的小さなデータセットで操作する際に特に有用であるオンザフライのデセゾン化を可能にする。
多層RNNは、TSの短期的および長期的依存関係を効率的にモデル化するように設計された新しいタイプの拡張リカレントセルを備える。
内部TS表現の改善とモデルの性能向上のために、RNNはESパラメータとメインマッピング関数の両方を同時に学習し、入力を予測に変換する。
ヨーロッパ35カ国のSTLF問題に対して,古典的統計手法や機械学習(ML)アプローチなど,いくつかの基本手法との比較を行った。
実験により,複数の季節性および有意なランダム変動を含むTSの非線形確率予測問題を解くために,提案モデルが高い表現力を有することを示す。
実際、これは統計モデルと最先端のMLモデルの両方を精度で上回っている。
関連論文リスト
- TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series [57.4208255711412]
パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(TACTiS)の簡易な目的を提案する。
結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
論文 参考訳（メタデータ） (2023-10-02T16:45:19Z) - Online Evolutionary Neural Architecture Search for Multivariate
Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。
ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。
その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文 参考訳（メタデータ） (2023-02-20T22:25:47Z) - Contextually Enhanced ES-dRNN with Dynamic Attention for Short-Term Load
Forecasting [1.1602089225841632]
提案手法は,コンテキストトラックとメイントラックという,同時に訓練された2つのトラックから構成される。
RNNアーキテクチャは、階層的な拡張を積み重ねた複数の繰り返し層で構成され、最近提案された注意的再帰細胞を備えている。
このモデルは点予測と予測間隔の両方を生成する。
論文 参考訳（メタデータ） (2022-12-18T07:42:48Z) - Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。
本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文 参考訳（メタデータ） (2022-08-28T17:50:19Z) - Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。
本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
論文 参考訳（メタデータ） (2022-03-23T12:52:49Z) - ES-dRNN with Dynamic Attention for Short-Term Load Forecasting [1.1602089225841632]
短期負荷予測(STLF)は、時系列の複雑な性質が複数の季節性やばらつきを表わすため、難しい問題である。
本稿では,指数的スムース化と拡張型リカレントニューラルネットワーク(ES-dRNN)と動的注意機構を組み合わせたハイブリッド予測モデルの拡張を提案する。
論文 参考訳（メタデータ） (2022-03-02T08:39:33Z) - A Statistics and Deep Learning Hybrid Method for Multivariate Time
Series Forecasting and Mortality Modeling [0.0]
Exponential Smoothing Recurrent Neural Network (ES-RNN)は、統計予測モデルとリカレントニューラルネットワークのハイブリッドである。
ES-RNNはMakridakis-4 Forecasting Competitionで絶対誤差を9.4%改善した。
論文 参考訳（メタデータ） (2021-12-16T04:44:19Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - Dynamic Gaussian Mixture based Deep Generative Model For Robust
Forecasting on Sparse Multivariate Time Series [43.86737761236125]
本研究では,孤立した特徴表現ではなく,潜在クラスタの遷移を追跡する新しい生成モデルを提案する。
新たに設計された動的ガウス混合分布が特徴であり、クラスタリング構造のダイナミクスを捉えている。
帰納的解析を可能にするために構造化推論ネットワークも設計されている。
論文 参考訳（メタデータ） (2021-03-03T04:10:07Z) - Industrial Forecasting with Exponentially Smoothed Recurrent Neural
Networks [0.0]
本稿では,産業応用における非定常力学系のモデル化に好適な指数的スムーズなリカレントニューラルネットワーク(RNN)のクラスを提案する。
指数スムーズなRNNの電力負荷、気象データ、株価予測への応用は、多段階時系列予測における隠れ状態の指数スムーズ化の有効性を強調している。
論文 参考訳（メタデータ） (2020-04-09T17:53:49Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2020-02-21T05:00:01Z)
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。