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/2203.13563v2
• Date: Sat, 1 Jun 2024 12:21:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-05 00:04:47.826917
• Title: An Intelligent End-to-End Neural Architecture Search Framework for Electricity Forecasting Model Development
• Title（参考訳）: 電力需要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, Guangxin Jiang, Yinan Wang, 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,ネットワーク機能保存変換操作,強化学習(RL)に基づくネットワーク変換制御,ネットワークスクリーニングの3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）: 4.940941112226529
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent years have witnessed exponential growth in developing deep learning (DL) models for 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 dynamically changed data patterns due to the inflexible design of their structures. Although several recent studies have considered the 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 computationally expensive and their search strategies are not flexible, indicating that the NAS application in this area is still at an infancy stage. In this study, we propose an intelligent automated architecture search (IAAS) framework for the development of time-series electricity forecasting models. The proposed framework contains three primary components, i.e., network function-preserving transformation operation, reinforcement learning (RL)-based network transformation control, and heuristic network screening, which aim to improve the search quality of a network structure. 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. Finally, we perform an ablation experiment to showcase the importance of critical components in the proposed IAAS framework in improving forecasting accuracy.
• Abstract（参考訳）: 近年,電力系統における時系列電力予測のための深層学習(DL)モデルの開発が急激な成長を遂げている。 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、その構造の柔軟性のない設計のため、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。 近年、電気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サーチ(NAS)技術の適用が検討されているが、そのトレーニングプロセスは計算的に高価であり、探索戦略は柔軟ではないため、この分野におけるNASの適用はまだ初期段階にあることが示唆されている。 本研究では、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,ネットワーク機能保存変換操作,強化学習(RL)に基づくネットワーク変換制御,ネットワーク構造の探索品質向上を目的としたヒューリスティックネットワークスクリーニングの3つの主要コンポーネントを含む。 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のモデルや手法を著しく上回っていることを実証した。 最後に,予測精度向上のためのIAASフレームワークにおける重要なコンポーネントの重要性を明らかにするためのアブレーション実験を行った。

関連論文リスト

• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Self-Organizing Recurrent Stochastic Configuration Networks for Nonstationary Data Modelling [3.8719670789415925]
  リカレント・コンフィグレーション・ネットワーク(Recurrent configuration network、RSCN)は、非線形力学のモデリングにおいて有望であることを示すランダム化モデルのクラスである。 本稿では,非定常データモデリングのためのネットワークの連続学習能力を高めるために,SORSCNと呼ばれる自己組織型RCCNを開発することを目的とする。
  論文  参考訳（メタデータ） (2024-10-14T01:28:25Z)
• Exploring the design space of deep-learning-based weather forecasting systems [56.129148006412855]
  本稿では,異なる設計選択がディープラーニングに基づく天気予報システムに与える影響を系統的に分析する。 UNet、完全畳み込みアーキテクチャ、トランスフォーマーベースモデルなどの固定グリッドアーキテクチャについて検討する。 固定グリッドモデルの強靭な性能とグリッド不変アーキテクチャの柔軟性を組み合わせたハイブリッドシステムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T22:25:50Z)
• Machine learning for structural design models of continuous beam systems via influence zones [3.284878354988896]
  この研究は、逆問題の観点から連続ビームシステムのための機械学習構造設計モデルを開発する。 本研究の目的は,任意のシステムサイズを持つ連続ビームシステムの断面積要求を予測できる非定常構造設計モデルを概念化することである。
  論文  参考訳（メタデータ） (2024-03-14T14:53:18Z)
• Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
  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)
• 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)
• The Untapped Potential of Off-the-Shelf Convolutional Neural Networks [29.205446247063673]
  ResNet-50のような既存の市販モデルは、ImageNet上で95%以上の精度を持つことを示す。 このレベルのパフォーマンスは現在、20倍以上のパラメータとはるかに複雑なトレーニング手順を持つモデルを上回る。
  論文  参考訳（メタデータ） (2021-03-17T20:04:46Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)
• Learning Discrete Energy-based Models via Auxiliary-variable Local Exploration [130.89746032163106]
  離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。 エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。 本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2020-11-10T19:31:29Z)
• 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)

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。