論文の概要: Clustering Enabled Few-Shot Load Forecasting
- arxiv url: http://arxiv.org/abs/2202.07939v1
- Date: Wed, 16 Feb 2022 09:09:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-17 16:20:37.654651
- Title: Clustering Enabled Few-Shot Load Forecasting
- Title(参考訳): Few-Shot負荷予測を可能にするクラスタリング
- Authors: Qiyuan Wang, Zhihui Chen, Chenye Wu
- Abstract要約: エネルギー消費のわずかなショット(データポイント)を観察することで,新規利用者の負荷予測を考察する。
限られたサンプルが時間特性を利用するには不十分であるため、この作業は困難である。
本稿では,既存ユーザの履歴負荷プロファイルデータを有効クラスタリングに利用することを提案する。
- 参考スコア(独自算出の注目度): 2.0810096547938164
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While the advanced machine learning algorithms are effective in load
forecasting, they often suffer from low data utilization, and hence their
superior performance relies on massive datasets. This motivates us to design
machine learning algorithms with improved data utilization. Specifically, we
consider the load forecasting for a new user in the system by observing only
few shots (data points) of its energy consumption. This task is challenging
since the limited samples are insufficient to exploit the temporal
characteristics, essential for load forecasting. Nonetheless, we notice that
there are not too many temporal characteristics for residential loads due to
the limited kinds of human lifestyle. Hence, we propose to utilize the
historical load profile data from existing users to conduct effective
clustering, which mitigates the challenges brought by the limited samples.
Specifically, we first design a feature extraction clustering method for
categorizing historical data. Then, inheriting the prior knowledge from the
clustering results, we propose a two-phase Long Short Term Memory (LSTM) model
to conduct load forecasting for new users. The proposed method outperforms the
traditional LSTM model, especially when the training sample size fails to cover
a whole period (i.e., 24 hours in our task). Extensive case studies on two
real-world datasets and one synthetic dataset verify the effectiveness and
efficiency of our method.
- Abstract(参考訳): 高度な機械学習アルゴリズムは負荷予測に有効であるが、しばしばデータ利用の低さに悩まされるため、その優れたパフォーマンスは大量のデータセットに依存する。
これは、データ利用を改善する機械学習アルゴリズムの設計を動機付けます。
具体的には、エネルギー消費のわずかなショット(データポイント)を観測することで、システム内の新規利用者の負荷予測を考察する。
限られたサンプルでは,負荷予測に不可欠な時間特性を活用できないため,この課題は困難である。
しかし, 生活習慣が限られているため, 生活負荷の時間的特性がそれほど多くないことが判明した。
そこで本研究では,既存のユーザからの履歴的負荷プロファイルデータを有効クラスタリングに利用し,限られたサンプルによる課題を軽減することを提案する。
具体的には,まず履歴データを分類する特徴抽出クラスタリング手法を考案する。
そして,クラスタリング結果から先行知識を継承し,新たなユーザに対する負荷予測を行うための2相長短期メモリ(LSTM)モデルを提案する。
提案手法は従来のLSTMモデルよりも優れており、特にトレーニングサンプルサイズが全期間(例えばタスクの24時間)をカバーできない場合には特に優れる。
2つの実世界のデータセットと1つの合成データセットに関する広範なケーススタディにより、本手法の有効性と効率が検証された。
関連論文リスト
- Impact of data usage for forecasting on performance of model predictive
control in buildings with smart energy storage [0.0]
本研究では,モデル予測制御のための単純な機械学習予測モデルと最先端機械学習予測モデルの両方の性能について検討する。
データ利用が予測精度に与える影響を以下のデータ効率測定のために定量化する。
負荷予測モデルに対する2年以上のトレーニングデータの使用は、予測精度を著しく改善することはなかった。
論文 参考訳(メタデータ) (2024-02-19T21:01:11Z) - Pushing the Limits of Pre-training for Time Series Forecasting in the
CloudOps Domain [54.67888148566323]
クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。
強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。
これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
論文 参考訳(メタデータ) (2023-10-08T08:09:51Z) - Continual Learning in Predictive Autoscaling [17.438074717702726]
予測オートスケーリングは、動的クラウド環境におけるサービスレベルの目標(SLO)を保証するために、サーバのワークロードを予測し、事前にリソースを準備するために使用される。
本稿では,リプレイに基づく連続学習手法,すなわち密度ベースのメモリ選択とHintベースのネットワーク学習モデルを提案する。
提案手法は、メモリ容量と予測精度の観点から、最先端の連続学習法より優れている。
論文 参考訳(メタデータ) (2023-07-29T09:29:09Z) - To Repeat or Not To Repeat: Insights from Scaling LLM under Token-Crisis [50.31589712761807]
大規模言語モデル(LLM)は、事前トレーニング中にトークンに悩まされていることで知られており、Web上の高品質なテキストデータは、LSMのスケーリング制限に近づいている。
本研究では,事前学習データの再学習の結果について検討し,モデルが過度に適合する可能性が示唆された。
第2に, マルチエポック劣化の原因となる要因について検討し, データセットのサイズ, モデルパラメータ, トレーニング目標など, 重要な要因について検討した。
論文 参考訳(メタデータ) (2023-05-22T17:02:15Z) - Re-thinking Data Availablity Attacks Against Deep Neural Networks [53.64624167867274]
本稿では、未学習例の概念を再検討し、既存のロバストな誤り最小化ノイズが不正確な最適化目標であることを示す。
本稿では,計算時間要件の低減による保護性能の向上を図った新しい最適化パラダイムを提案する。
論文 参考訳(メタデータ) (2023-05-18T04:03:51Z) - Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。
EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文 参考訳(メタデータ) (2023-04-17T10:59:57Z) - Using Time-Series Privileged Information for Provably Efficient Learning
of Prediction Models [6.7015527471908625]
本研究では,学習中に特権情報を利用する教師付きモデルを用いて,今後の成果を予測する。
特権情報は、予測の基準時間と将来の結果の間に観察される時系列のサンプルを含む。
我々のアプローチは、特にデータが不足している場合に、古典的な学習よりも好まれることを示す。
論文 参考訳(メタデータ) (2021-10-28T10:07:29Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳(メタデータ) (2021-07-05T12:44:39Z) - Exploring Bayesian Surprise to Prevent Overfitting and to Predict Model
Performance in Non-Intrusive Load Monitoring [25.32973996508579]
非侵入負荷モニタリング(Non-Intrusive Load Monitoring, NILM)は、集積信号のみに基づくシステムにおける構成的電気負荷の分離に焦点を当てた研究分野である。
予測分布(予測的サプライズ)と遷移確率(遷移的サプライズ)の間のサプライズ度を定量化する。
この研究は、データセットサイズに関するモデルパフォーマンスのリターンを減少させるポイントが存在するという明確な証拠を提供する。
論文 参考訳(メタデータ) (2020-09-16T15:39:08Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳(メタデータ) (2020-05-18T09:36:51Z) - Short-Term Load Forecasting Using AMI Data [0.19573380763700707]
本稿では,短期負荷予測(textscstlf)のためのMatrix Factorization(textscfmf)を用いた予測手法を提案する。
textscfmfは 消費者のスマートメーターの 履歴データしか利用していない 将来の負荷を予測するために
我々は3つのベンチマークデータセット上でtextscfmf を実験的に評価し、負荷予測の観点から最先端の手法を著しく上回っていることを示す。
論文 参考訳(メタデータ) (2019-12-28T16:07:52Z)
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。