論文の概要: High-Resolution Peak Demand Estimation Using Generalized Additive Models and Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2203.03342v1
• Date: Mon, 7 Mar 2022 12:39:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-08 15:52:09.519879
• Title: High-Resolution Peak Demand Estimation Using Generalized Additive Models and Deep Neural Networks
• Title（参考訳）: 一般化付加モデルとディープニューラルネットワークを用いた高分解能ピーク需要推定
• Authors: Jonathan Berrisch, Micha{\l} Narajewski, Florian Ziel
• Abstract要約: 低分解能データを用いた高分解能ピーク需要推定法を提案する。 この技術は、イギリスの流通ネットワークオペレーターであるWestern Power Distributionが主催するデータコンペティションで優勝した。
• 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: This paper presents a method for estimating high-resolution electricity peak demand given lower resolution data. The technique won a data competition organized by the British distribution network operator Western Power Distribution. The exercise was to estimate the minimum and maximum load values in a single substation in a one-minute resolution as precisely as possible. In contrast, the data was given in half-hourly and hourly resolutions. The winning method combines generalized additive models (GAM) and deep artificial neural networks (DNN) which are popular in load forecasting. We provide an extensive analysis of the prediction models, including the importance of input parameters with a focus on load, weather, and seasonal effects. In addition, we provide a rigorous evaluation study that goes beyond the competition frame to analyze the robustness. The results show that the proposed methods are superior, not only in the single competition month but also in the meaningful evaluation study.
• Abstract（参考訳）: 本稿では,低分解能データを用いた高分解能ピーク需要推定手法を提案する。 この技術は、イギリスの流通ネットワークオペレーターであるWestern Power Distributionが主催するデータコンテストで優勝した。 この演習は、単一サブステーションにおける最小および最大負荷値をできるだけ正確に1分間の解像度で推定することであった。 対照的に、データは半時間解像度と半時間解像度で与えられる。 入賞方法は、負荷予測に人気がある一般化加算モデル(GAM)とディープ人工知能ニューラルネットワーク(DNN)を組み合わせる。 我々は,負荷,天気,季節の影響に着目した入力パラメータの重要性を含む,予測モデルに関する広範な分析を行った。 また,ロバスト性を分析するために,競争枠を超えた厳密な評価研究を行う。 その結果, 提案手法は, シングル競争月だけでなく, 有意義な評価研究においても優れていることがわかった。

関連論文リスト

• Fine-Tuning Image-Conditional Diffusion Models is Easier than You Think [53.2706196341054]
  認識された非効率性は、これまで気付かれなかった推論パイプラインの欠陥によって引き起こされたことを示している。 タスク固有の損失を伴う単一ステップモデル上でエンドツーエンドの微調整を行い、他の拡散に基づく深さモデルや正規推定モデルよりも優れた決定論的モデルを得る。
  論文  参考訳（メタデータ） (2024-09-17T16:58:52Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Accurate Neural Network Pruning Requires Rethinking Sparse Optimization [87.90654868505518]
  標準コンピュータビジョンと自然言語処理の疎度ベンチマークを用いたモデルトレーニングにおいて,高い疎度が与える影響について述べる。 本稿では,視覚モデルのスパース事前学習と言語モデルのスパース微調整の両面において,この問題を軽減するための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-08-03T21:49:14Z)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• Frugal day-ahead forecasting of multiple local electricity loads by aggregating adaptive models [0.0]
  フランスにおける配電網の変電所の日頭電力負荷予測に着目する。 そこで我々は,パラメータの数を削減し,伝達学習を実現するフラジカル変種を開発した。 私たちは、運用アプリケーションにとって重要なモデルの解釈可能性を強調します。
  論文  参考訳（メタデータ） (2023-02-16T10:17:19Z)
• How Much is Enough? A Study on Diffusion Times in Score-based Generative Models [76.76860707897413]
  現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。 本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
  論文  参考訳（メタデータ） (2022-06-10T15:09:46Z)
• A Generative Deep Learning Approach to Stochastic Downscaling of Precipitation Forecasts [0.5906031288935515]
  GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。 GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
  論文  参考訳（メタデータ） (2022-04-05T07:19:42Z)
• Deep-Ensemble-Based Uncertainty Quantification in Spatiotemporal Graph Neural Networks for Traffic Forecasting [2.088376060651494]
  本稿では,短期交通予測のための最先端手法である拡散畳み込みリカレントニューラルネットワーク(DCRNN)に注目した。 我々はDCRNNの不確実性を定量化するスケーラブルなディープアンサンブル手法を開発した。 我々の汎用的かつスケーラブルなアプローチは、現在最先端のベイズ的手法や、多くの一般的な頻繁な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） (2022-04-04T16:10:55Z)
• Increasing the accuracy and resolution of precipitation forecasts using deep generative models [3.8073142980733]
  我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。 一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。 その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
  論文  参考訳（メタデータ） (2022-03-23T09:45:12Z)
• Towards Trustworthy Predictions from Deep Neural Networks with Fast Adversarial Calibration [2.8935588665357077]
  本稿では,ドメインシフト後に得られたサンプルに対して,信頼度の高い信頼度を得るための効率的かつ汎用的なモデリング手法を提案する。 本稿では,エントロピー増大損失項と逆キャリブレーション損失項を組み合わせた新しいトレーニング戦略を導入し,この結果が適切に調整され,技術的に信頼できる予測となることを示す。
  論文  参考訳（メタデータ） (2020-12-20T13:39:29Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。