論文の概要: A novel MDPSO-SVR hybrid model for feature selection in electricity
consumption forecasting
- arxiv url: http://arxiv.org/abs/2206.06658v1
- Date: Tue, 14 Jun 2022 07:50:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-26 14:50:47.495372
- Title: A novel MDPSO-SVR hybrid model for feature selection in electricity
consumption forecasting
- Title(参考訳): 電力消費予測における特徴選択のための新しいmdpso-svrハイブリッドモデル
- Authors: Xiaoyuan Zhang, Yanmei Huang, Changrui Deng and Yukun Bao
- Abstract要約: 本研究では,分散粒子群最適化 (MDPSO) を特徴選択に用いた。
MDPSO-SVRモデルは、他の確立されたモデルと比較すると、2つの実世界の電力消費データセットにおいて常に最高の性能を発揮する。
- 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: Electricity consumption forecasting has vital importance for the energy
planning of a country. Of the enabling machine learning models, support vector
regression (SVR) has been widely used to set up forecasting models due to its
superior generalization for unseen data. However, one key procedure for the
predictive modeling is feature selection, which might hurt the prediction
accuracy if improper features were selected. In this regard, a modified
discrete particle swarm optimization (MDPSO) was employed for feature selection
in this study, and then MDPSO-SVR hybrid mode was built to predict future
electricity consumption. Compared with other well-established counterparts,
MDPSO-SVR model consistently performs best in two real-world electricity
consumption datasets, which indicates that MDPSO for feature selection can
improve the prediction accuracy and the SVR equipped with the MDPSO can be a
promised alternative for electricity consumption forecasting.
- Abstract(参考訳): 電力消費予測は国のエネルギー計画にとって極めて重要である。
機械学習モデルの有効性のうち、サポートベクター回帰(SVR)は、目に見えないデータのより優れた一般化のために予測モデルの設定に広く利用されている。
しかし、予測モデリングの1つの重要な手順は特徴選択であり、不適切な特徴が選択されると予測精度を損なう可能性がある。
本研究では, 分散粒子群最適化(MDPSO)を特徴選択に適用し, 将来の電力消費を予測するため, MDPSO-SVRハイブリッドモードを構築した。
MDPSO-SVRモデルは、他の確立されたモデルと比較すると、2つの実世界の電力消費データセットにおいて常に最良であり、特徴選択のためのMDPSOは予測精度を向上でき、MDPSOを備えたSVRは、電力消費予測の約束的な代替手段であることを示している。
関連論文リスト
- FedWOA: A Federated Learning Model that uses the Whale Optimization
Algorithm for Renewable Energy Prediction [0.0]
本稿では,フェデレート学習モデルについて紹介する。フェデレーション学習モデルは,プロシューマーエネルギーデータに基づいて訓練された局所ニューラルネットワークモデルの重みから,グローバル予測モデルを集約する。
その結果,FedAVGと比較して,MSEでは25%,MAEでは16%の精度でエネルギー予測モデルの精度を効果的に向上できることがわかった。
論文 参考訳(メタデータ) (2023-09-19T05:44:18Z) - End-to-End Reinforcement Learning of Koopman Models for Economic
Nonlinear Model Predictive Control [50.0791489606211]
非線形モデル予測制御((e)NMPC)は、すべての状態空間領域において十分正確なシステムモデルを必要とする。
メカニスティックモデルのためのデータ駆動サロゲートモデルは、(e)NMPCの計算負担を軽減するために使用できる。
In this method for end-to-end reinforcement learning of dynamic surrogate model for optimal performance in (e)NMPC applications。
論文 参考訳(メタデータ) (2023-08-03T10:21:53Z) - 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) - Predictable MDP Abstraction for Unsupervised Model-Based RL [93.91375268580806]
予測可能なMDP抽象化(PMA)を提案する。
元のMDPで予測モデルを訓練する代わりに、学習されたアクション空間を持つ変換MDPでモデルを訓練する。
我々はPMAを理論的に解析し、PMAが以前の教師なしモデルベースRLアプローチよりも大幅に改善することを示す。
論文 参考訳(メタデータ) (2023-02-08T07:37:51Z) - Short-term Prediction of Household Electricity Consumption Using
Customized LSTM and GRU Models [5.8010446129208155]
本稿では,GRU (Gated Recurrent Unit) とLong Short-Term Memory (LSTM) アーキテクチャを提案する。
電力消費データセットは家庭ごとのスマートメーターから得られた。
論文 参考訳(メタデータ) (2022-12-16T23:42:57Z) - Comparative Analysis of Time Series Forecasting Approaches for Household
Electricity Consumption Prediction [3.7458346891274013]
データマイニングツールであるWekaを使用して、まず、Kaggleのデータサイエンスコミュニティから利用可能な、時間給と日給のエネルギー消費データセットのモデルを適用します。
第2に,大韓民国選択世帯の世帯エネルギー消費を天気データと無気象データを用いて予測するために,時系列予測モデルであるARIMAとVARをピソンに導入した。
以上の結果から,エネルギー消費予測の最良の方法は,多層パーセプトロンとガウスプロセス回帰に続く支持ベクトル回帰であることがわかった。
論文 参考訳(メタデータ) (2022-07-03T12:16:54Z) - A Hybrid Model for Forecasting Short-Term Electricity Demand [59.372588316558826]
現在、英国電気市場は、規制当局が30分毎に発行する負荷(需要)予測によってガイドされている。
本稿では,機能工学(候補予測機能の選択),移動ウィンドウ予測,LSTMエンコーダデコーダを組み合わせたハイブリッド予測モデルHYENAを提案する。
論文 参考訳(メタデータ) (2022-05-20T22:13:25Z) - Enhanced physics-constrained deep neural networks for modeling vanadium
redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。
ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文 参考訳(メタデータ) (2022-03-03T19:56:24Z) - Prediction of Household-level Heat-Consumption using PSO enhanced SVR
Model [5.3580471186206005]
実世界のスマートメーターデータを用いたカーネル支援ベクトル回帰(kSVR)に基づく地域暖房システム(DES)における熱エネルギー消費予測フレームワークを提案する。
平均MAPEは、個々のメートル比予測と社会消費予測で2.07%と2.64%に減少する。
論文 参考訳(メタデータ) (2021-12-03T13:46:16Z) - Multivariate Empirical Mode Decomposition based Hybrid Model for
Day-ahead Peak Load Forecasting [0.0]
本研究では,多変量経験モード分解(MEMD)と支持ベクトル回帰(SVR)に基づく新しいハイブリッド予測モデルを提案する。
オーストラリアのニューサウスウェールズ州(NSW)とビクトリア州(VIC)の2つの実世界の負荷データセットは、提案されたMEMD-PSO-SVRハイブリッドモデルの優位性を検証していると考えられている。
論文 参考訳(メタデータ) (2021-10-28T09:42:37Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z)
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。