論文の概要: Short-term Load Forecasting with Distributed Long Short-Term Memory

• arxiv url: http://arxiv.org/abs/2208.01147v1
• Date: Mon, 1 Aug 2022 21:40:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-03 13:43:47.694806
• Title: Short-term Load Forecasting with Distributed Long Short-Term Memory
• Title（参考訳）: 分散型短期記憶を用いた短期負荷予測
• Authors: Yi Dong, Yang Chen, Xingyu Zhao, Xiaowei Huang
• Abstract要約: 本稿では,コンセンサスアルゴリズムとLong Short-Term Memory(LSTM)に基づく,完全分散短期負荷予測フレームワークを提案する。 具体的には、完全に分散された学習フレームワークを分散トレーニングに利用し、秘密のプライバシを満たすためにコンセンサス技術を適用する。 ケーススタディでは,提案手法は精度に関する集中化手法と同等の性能を示した。
• 参考スコア（独自算出の注目度）: 10.99865735713831
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the employment of smart meters, massive data on consumer behaviour can be collected by retailers. From the collected data, the retailers may obtain the household profile information and implement demand response. While retailers prefer to acquire a model as accurate as possible among different customers, there are two major challenges. First, different retailers in the retail market do not share their consumer's electricity consumption data as these data are regarded as their assets, which has led to the problem of data island. Second, the electricity load data are highly heterogeneous since different retailers may serve various consumers. To this end, a fully distributed short-term load forecasting framework based on a consensus algorithm and Long Short-Term Memory (LSTM) is proposed, which may protect the customer's privacy and satisfy the accurate load forecasting requirement. Specifically, a fully distributed learning framework is exploited for distributed training, and a consensus technique is applied to meet confidential privacy. Case studies show that the proposed method has comparable performance with centralised methods regarding the accuracy, but the proposed method shows advantages in training speed and data privacy.
• Abstract（参考訳）: スマートメーターの採用により、消費者行動に関する膨大なデータを小売業者が収集することができる。 収集されたデータから、小売業者は世帯プロファイル情報を取得し、需要応答を実行することができる。 小売業者は、異なる顧客間でできるだけ正確なモデルを取得することを好むが、2つの大きな課題がある。 第一に、小売市場の小売業者は、これらのデータを資産と見なすため、消費者の電力消費データを共有せず、データ島の問題となっている。 第2に、さまざまな小売業者が様々な消費者にサービスを提供するため、電力負荷データは極めて均一である。 この目的のために,コンセンサスアルゴリズムと長期短期記憶(lstm)に基づく,ユーザのプライバシを保護し,正確な負荷予測要件を満足する完全分散型短期負荷予測フレームワークを提案する。 具体的には、完全な分散学習フレームワークが分散トレーニングに活用され、機密プライバシーを満たすためにコンセンサス技術が適用される。 ケーススタディでは,提案手法は精度に関する集中化手法と同等の性能を示すが,本手法はトレーニング速度とデータプライバシーの利点を示す。

関連論文リスト

• Pseudo-Probability Unlearning: Towards Efficient and Privacy-Preserving Machine Unlearning [59.29849532966454]
  本稿では,PseudoProbability Unlearning (PPU)を提案する。 提案手法は,最先端の手法に比べて20%以上の誤りを忘れる改善を実現している。
  論文  参考訳（メタデータ） (2024-11-04T21:27:06Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• Private Set Generation with Discriminative Information [63.851085173614]
  異なるプライベートなデータ生成は、データプライバシの課題に対する有望な解決策である。 既存のプライベートな生成モデルは、合成サンプルの有用性に苦慮している。 我々は,最先端アプローチのサンプルユーティリティを大幅に改善する,シンプルで効果的な手法を提案する。
  論文  参考訳（メタデータ） (2022-11-07T10:02:55Z)
• Approaching sales forecasting using recurrent neural networks and transformers [57.43518732385863]
  深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。 実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。 提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
  論文  参考訳（メタデータ） (2022-04-16T12:03:52Z)
• FedREP: Towards Horizontal Federated Load Forecasting for Retail Energy Providers [1.1254693939127909]
  我々は、エネルギー負荷予測のための新しい水平プライバシー保護フェデレーション学習フレームワーク、フェデレーション(FedREP)を提案する。 我々は、複数のREPがデータを共有することなく、共通の堅牢な機械学習モデルを構築することを可能にすることにより、制御センタと複数の小売業者からなる連合学習システムを考える。 予測には、長期の観測シーケンスを学習できるため、最先端のLong Short-Term Memory(LSTM)ニューラルネットワークを使用する。
  論文  参考訳（メタデータ） (2022-03-01T04:16:19Z)
• Electricity Consumption Forecasting for Out-of-distribution Time-of-Use Tariffs [14.524613608854242]
  電気市場では、小売業者やブローカーは、消費者に関税プロファイルを割り当てることで利益を最大化したいと考えている。 我々は、最適な関税プロファイル割り当てによってブローカー全体の利益を最大化する、欲張りのソリューションを検討する。 このインターンでは、すべての関税プロファイルに対して、各ユーザの電力消費量を予測する必要がある。
  論文  参考訳（メタデータ） (2022-02-11T09:13:55Z)
• Secure Federated Learning for Residential Short Term Load Forecasting [0.34123736336071864]
  本稿では,スマートメーターデータを用いた短期需要予測のための協調機械学習手法について検討する。 評価された手法は、分散的で協力的でプライベートなシステムの方向において、従来の集中型アプローチをどのように投影できるかを探求するいくつかのシナリオを考慮に入れている。
  論文  参考訳（メタデータ） (2021-11-17T17:27:59Z)
• Prediction of Energy Consumption for Variable Customer Portfolios Including Aleatoric Uncertainty Estimation [0.0]
  深層ニューラルネットワークを用いて,時間ごとの日頭エネルギー消費予測を計算する手法を提案する。 エネルギー消費値の統計的性質を考慮し、対数正規分布を用いてアレタリック不確かさをモデル化する。 その結果、単一顧客における1日当たりのエネルギー消費の予測は、対数正規分布から引き出されたランダム変数によって表現される。
  論文  参考訳（メタデータ） (2021-10-01T19:18:13Z)
• DER Forecast using Privacy Preserving Federated Learning [0.0]
  分散機械学習アプローチであるFederated Learningを提案し、IoTノードのネットワークを使用してDER予測を実行する。 提案手法が消費者プライバシ保護の正確な予測に繋がることを示すため,1000 DER を含むシミュレーション研究を考察する。
  論文  参考訳（メタデータ） (2021-07-07T14:25:43Z)
• Predicting seasonal influenza using supermarket retail records [59.18952050885709]
  我々は,スーパーマーケットの小売データを,センチネルバスケットの識別を通じてインフルエンザの代替信号とみなす。 SVR(Support Vector Regression)モデルを用いて、季節性インフルエンザ発生の予測を行います。
  論文  参考訳（メタデータ） (2020-12-08T16:30:43Z)

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。