論文の概要: An Intelligent End-to-End Neural Architecture Search Framework for
Electricity Forecasting Model Development
- arxiv url: http://arxiv.org/abs/2203.13563v1
- Date: Fri, 25 Mar 2022 10:36:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-28 13:51:30.575902
- Title: An Intelligent End-to-End Neural Architecture Search Framework for
Electricity Forecasting Model Development
- Title(参考訳): 電力予測モデル構築のためのインテリジェントエンドツーエンドニューラルネットワーク探索フレームワーク
- Authors: Jin Yang, Yingying Huang, Guangxin Jiang, Ying Chen
- Abstract要約: 本稿では、時系列電気予測モデルの開発のためのインテリジェント自動アーキテクチャサーチ(IAAS)フレームワークを提案する。
提案フレームワークは,ネットワーク関数保存変換操作と強化学習(RL)に基づくネットワーク変換制御という,2つの主要コンポーネントを含む。
提案したIAASフレームワークは,精度と安定性の予測において,既存の10のモデルや手法を著しく上回っていることを実証する。
- 参考スコア(独自算出の注目度): 4.046469579070493
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent years have witnessed an exponential growth in developing deep learning
(DL) models for the time-series electricity forecasting in power systems.
However, most of the proposed models are designed based on the designers'
inherent knowledge and experience without elaborating on the suitability of the
proposed neural architectures. Moreover, these models cannot be self-adjusted
to the dynamically changing data patterns due to an inflexible design of their
structures. Even though several latest studies have considered application of
the neural architecture search (NAS) technique for obtaining a network with an
optimized structure in the electricity forecasting sector, their training
process is quite time-consuming, computationally expensive and not intelligent,
indicating that the NAS application in electricity forecasting area is still at
an infancy phase. In this research study, we propose an intelligent automated
architecture search (IAAS) framework for the development of time-series
electricity forecasting models. The proposed framework contains two primary
components, i.e., network function-preserving transformation operation and
reinforcement learning (RL)-based network transformation control. In the first
component, we introduce a theoretical function-preserving transformation of
recurrent neural networks (RNN) to the literature for capturing the hidden
temporal patterns within the time-series data. In the second component, we
develop three RL-based transformation actors and a net pool to intelligently
and effectively search a high-quality neural architecture. After conducting
comprehensive experiments on two publicly-available electricity load datasets
and two wind power datasets, we demonstrate that the proposed IAAS framework
significantly outperforms the ten existing models or methods in terms of
forecasting accuracy and stability.
- Abstract(参考訳): 近年、電力系統の時系列電力予測のためのディープラーニング(DL)モデルの開発が急激な成長を見せている。
しかし,提案したモデルのほとんどは,設計者固有の知識と経験に基づいて設計されており,提案したニューラルアーキテクチャの適合性は明らかにされていない。
さらに、これらのモデルは、その構造の柔軟な設計のため、動的に変化するデータパターンに自己調整することはできない。
最近の研究では、電力予測分野において最適化された構造を持つネットワークを得るためのニューラルネットワーク探索(nas)技術の適用を検討したが、その訓練プロセスは非常に時間がかかり、計算コストが高く、知的ではないため、電力予測分野におけるnasの適用はまだ初期段階であることを示している。
本研究では,時系列電気予測モデルの開発を目的とした,インテリジェント自動アーキテクチャ探索(IAAS)フレームワークを提案する。
提案フレームワークは,ネットワーク関数保存変換操作と強化学習(RL)に基づくネットワーク変換制御という,2つの主要コンポーネントを含む。
第1部では,時系列データ内の隠れた時間パターンを捉えるために,再帰的ニューラルネットワーク(rnn)の理論的機能保存変換を文献に導入する。
第2のコンポーネントでは,3つのrlベースのトランスフォーメーションアクタとネットプールを開発し,高品質のニューラルネットワークをインテリジェントかつ効果的に検索する。
2つの公用電力負荷データセットと2つの風力負荷データセットに関する総合的な実験を行った結果、IAASフレームワークは精度と安定性の予測において、既存の10のモデルや手法を大きく上回っていることを示した。
関連論文リスト
- Visual Prompting Upgrades Neural Network Sparsification: A Data-Model
Perspective [67.25782152459851]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳(メタデータ) (2023-12-03T13:50:24Z) - 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) - NAR-Former: Neural Architecture Representation Learning towards Holistic
Attributes Prediction [37.357949900603295]
本稿では,属性の全体的推定に使用できるニューラルネットワーク表現モデルを提案する。
実験の結果,提案するフレームワークは,セルアーキテクチャとディープニューラルネットワーク全体の遅延特性と精度特性を予測できることがわかった。
論文 参考訳(メタデータ) (2022-11-15T10:15:21Z) - ONE-NAS: An Online NeuroEvolution based Neural Architecture Search for
Time Series Forecasting [3.3758186776249928]
この研究は、Online NeuroEvolution based Neural Architecture Search (ONE-NAS)アルゴリズムを提示する。
ONE-NASは、オンライン環境で新しいリカレントニューラルネットワーク(RNN)を自動設計し、訓練することのできる、最初のニューラルネットワーク検索アルゴリズムである。
従来の統計時系列予測よりも優れており、ナイーブ、移動平均、指数的平滑化などが挙げられる。
論文 参考訳(メタデータ) (2022-02-27T22:58:32Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳(メタデータ) (2021-12-15T20:09:20Z) - Physics Informed Neural Networks for Control Oriented Thermal Modeling
of Buildings [3.1132272756008375]
本稿では,建物の制御指向熱モデル構築のためのデータ駆動型モデリング手法を提案する。
測定データと構築パラメータとともに、これらの建物の熱的挙動を管理する基礎となる物理でニューラルネットワークを符号化する。
論文 参考訳(メタデータ) (2021-11-23T18:27:54Z) - Dynamically Grown Generative Adversarial Networks [111.43128389995341]
本稿では、ネットワークアーキテクチャとそのパラメータを自動化とともに最適化し、トレーニング中にGANを動的に成長させる手法を提案する。
本手法はアーキテクチャ探索手法を勾配に基づく訓練とインターリーブステップとして組み込んで,ジェネレータと識別器の最適アーキテクチャ成長戦略を定期的に探究する。
論文 参考訳(メタデータ) (2021-06-16T01:25:51Z) - Self-Learning for Received Signal Strength Map Reconstruction with
Neural Architecture Search [63.39818029362661]
ニューラルアーキテクチャサーチ(NAS)と受信信号強度(RSS)マップ再構築のための自己学習に基づくモデルを提案する。
このアプローチは、まず最適なNNアーキテクチャを見つけ、与えられた(RSS)マップの地上実測値に対して同時に推論モデルを訓練する。
実験結果から,この第2モデルの信号予測は,非学習に基づく最先端技術や,アーキテクチャ探索を伴わないNNモデルよりも優れていた。
論文 参考訳(メタデータ) (2021-05-17T12:19:22Z) - A Sequential Modelling Approach for Indoor Temperature Prediction and
Heating Control in Smart Buildings [4.759925918369102]
本稿では,室内温度の予測にデータ駆動統計手法を逐次適用するための学習ベースフレームワークを提案する。
実験では、モデリングアプローチと制御アルゴリズムの有効性を実証し、スマートビルディングアプリケーションにおける混合データ駆動アプローチの有望な可能性を明らかにする。
論文 参考訳(メタデータ) (2020-09-21T13:20:27Z) - A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。
アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
論文 参考訳(メタデータ) (2020-05-14T09:02:33Z) - 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)
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。