論文の概要: Deep Learning for Forecasting the Energy Consumption in Public Buildings
- arxiv url: http://arxiv.org/abs/2207.11953v1
- Date: Mon, 25 Jul 2022 07:42:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-26 13:36:18.167511
- Title: Deep Learning for Forecasting the Energy Consumption in Public Buildings
- Title(参考訳): 公共建築物のエネルギー消費予測のためのディープラーニング
- Authors: Viorica Rozina Chifu, Cristina Bianca Pop, Emil St. Chifu, Horatiu
Barleanu
- Abstract要約: 本研究では, 過去の計測結果に基づいて, 公共ビルのエネルギー消費を予測するための長期記憶ネットワーク手法を提案する。
我々は、キューの国立公文書館の本館から30分毎に採取された測定値からなるデータセットを用いて、本手法を検証した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper we propose a Long Short-Term Memory Network based method to
forecast the energy consumption in public buildings, based on past
measurements. Our approach consists of three main steps: data processing step,
training and validation step, and finally the forecasting step. We tested our
method on a data set consisting of measurements taken every half an hour from
the main building of the National Archives of the United Kingdom, in Kew and as
evaluation metrics we have used Mean Absolute Error (MAE) and Mean Absolute
Percentage Error (MAPE).
- Abstract(参考訳): 本稿では,過去の計測値に基づいて,公共建築物のエネルギー消費量を予測するための長期短期記憶ネットワーク手法を提案する。
このアプローチは、データ処理ステップ、トレーニングとバリデーションステップ、最後に予測ステップの3つの主要なステップで構成されています。
我々は,イギリス国立公文書館の本館から30分毎に採取された測定値と,平均絶対誤差 (MAE) と平均絶対誤差 (MAPE) を用いた評価値を用いて実験を行った。
関連論文リスト
- Semi-supervised Learning from Street-View Images and OpenStreetMap for
Automatic Building Height Estimation [59.6553058160943]
本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。
提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。
予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
論文 参考訳(メタデータ) (2023-07-05T18:16:30Z) - An Effective Meaningful Way to Evaluate Survival Models [34.21432603301076]
実際には、テストセットには検閲された個人が含まれています。
本稿では,現実的な半合成サバイバルデータセットを生成するための,新しい効果的なアプローチを提案する。
提案手法では,モデルの性能に基づいて精度の高いランク付けが可能であり,しばしば真のMAEと密接に一致している。
論文 参考訳(メタデータ) (2023-06-01T23:22:46Z) - Joint Metrics Matter: A Better Standard for Trajectory Forecasting [67.1375677218281]
マルチモーダル・トラジェクトリ・予測法 : シングルエージェント・メトリクス(マージナル・メトリクス)を用いた評価
余分な指標にのみ注目することは、グループとして明確に一緒に歩いている人々のために、軌跡の衝突や軌跡のばらつきといった、不自然な予測につながる可能性がある。
本稿では,JADE,JFDE,衝突速度といったマルチエージェントメトリクス(ジョイントメトリクス)に関して,最先端トラジェクトリ予測手法の総合評価を行った。
論文 参考訳(メタデータ) (2023-05-10T16:27:55Z) - A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。
モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。
本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文 参考訳(メタデータ) (2023-03-02T21:48:22Z) - Evaluating Machine Unlearning via Epistemic Uncertainty [78.27542864367821]
本研究では,不確実性に基づく機械学習アルゴリズムの評価を行う。
これは私たちの最良の知識の一般的な評価の最初の定義です。
論文 参考訳(メタデータ) (2022-08-23T09:37:31Z) - Strict baselines for Covid-19 forecasting and ML perspective for USA and
Russia [105.54048699217668]
Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。
本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
論文 参考訳(メタデータ) (2022-07-15T18:21:36Z) - Forecasting from LiDAR via Future Object Detection [47.11167997187244]
そこで本研究では,センサの生計測に基づく検出と動作予測のためのエンドツーエンドアプローチを提案する。
未来と現在の場所を多対一でリンクすることで、我々のアプローチは複数の未来を推論することができる。
論文 参考訳(メタデータ) (2022-03-30T13:40:28Z) - JSRT: James-Stein Regression Tree [55.2059664267247]
回帰木(RT)は機械学習やデータマイニングのコミュニティで広く使われている。
実際、RTの性能は、木構築/予測段階における個々のノードからのサンプルの局所的な平均に大きく依存している。
我々は,異なるノードからのグローバル情報を考慮した新しい回帰木であるJames-Stein Regression Tree (JSRT)を提案する。
論文 参考訳(メタデータ) (2020-10-18T16:28:49Z) - A Non-Intrusive Load Monitoring Approach for Very Short Term Power
Predictions in Commercial Buildings [0.0]
本稿では,3相のアクティブアグリゲーションパワー測定から,非教師なしのデバイスプロファイルを抽出するアルゴリズムを提案する。
抽出したデバイスプロファイルを、粒子群最適化を用いた集約電力測定の分解に適用する。
最後に,このデアグリゲーションデータを用いた短期電力予測手法を提案する。
論文 参考訳(メタデータ) (2020-07-23T06:37:55Z) - Online Hierarchical Forecasting for Power Consumption Data [0.0]
本研究では、世帯の電力消費の予測と、そのサブ人口の予測について検討する。
私たちのアプローチは,機能生成,集約,投影という3つのステップで構成されています。
論文 参考訳(メタデータ) (2020-03-01T21:01:59Z)
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。