Fugu-MT 論文翻訳(概要): KDD CUP 2022 Wind Power Forecasting Team 88VIP Solution

論文の概要: KDD CUP 2022 Wind Power Forecasting Team 88VIP Solution

arxiv url: http://arxiv.org/abs/2208.08952v1
Date: Thu, 18 Aug 2022 16:46:50 GMT
ステータス: 処理完了
システム内更新日: 2022-08-19 13:10:50.302465
Title: KDD CUP 2022 Wind Power Forecasting Team 88VIP Solution
Title（参考訳）: KDD CUP 2022 風力発電チーム88VIPソリューション
Authors: Fangquan Lin, Wei Jiang, Hanwei Zhang, Cheng Yang
Abstract要約: 本稿では,主に2種類のモデルからなるTeam 88VIPのソリューションについて述べる。提案手法は第3相のオンラインスコア-45.213を総合的に達成する。
参考スコア（独自算出の注目度）: 12.78127754761155
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: KDD CUP 2022 proposes a time-series forecasting task on spatial dynamic wind power dataset, in which the participants are required to predict the future generation given the historical context factors. The evaluation metrics contain RMSE and MAE. This paper describes the solution of Team 88VIP, which mainly comprises two types of models: a gradient boosting decision tree to memorize the basic data patterns and a recurrent neural network to capture the deep and latent probabilistic transitions. Ensembling these models contributes to tackle the fluctuation of wind power, and training submodels targets on the distinguished properties in heterogeneous timescales of forecasting, from minutes to days. In addition, feature engineering, imputation techniques and the design of offline evaluation are also described in details. The proposed solution achieves an overall online score of -45.213 in Phase 3.
Abstract（参考訳）: KDD CUP 2022は、歴史的文脈因子から、参加者が将来の世代を予測するために必要となる、空間的ダイナミック・ウィンドパワー・データセットに関する時系列予測タスクを提案する。評価指標はRMSEとMAEを含む。本稿では、基本データパターンを記憶するための勾配向上決定木と、深部および潜伏確率遷移を捉えるための繰り返しニューラルネットワークの2つのモデルからなる、Team 88VIPのソリューションについて述べる。これらのモデルをセンセンシングすることは風力の変動に寄与し、予測の異種時間スケールにおける識別特性を、数分から数日にわたって訓練するサブモデルである。また,機能工学,計算手法,オフライン評価の設計についても詳述した。提案手法は第3相のオンラインスコアが -45.213 となる。

関連論文リスト

FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。日時から季節時の予測誤差成長に関するアブレーション実験
論文参考訳（メタデータ） (2024-11-15T13:44:37Z)
Deep Learning-Based Weather-Related Power Outage Prediction with Socio-Economic and Power Infrastructure Data [4.4121133971424165]
本稿では,企業サービス領域を含むセンサストラクタにおける時間ごとの停電確率予測のためのディープラーニングに基づくアプローチを提案する。 2つの異なる深層学習モデル、条件付きマルチ層パーセプトロン(MLP)と非条件付きモデルを開発し、停電確率を予測した。以上の結果から,センサスレベルでの停電予測の精度を高める上で,社会経済的要因の重要性が示唆された。
論文参考訳（メタデータ） (2024-04-03T23:38:31Z)
Efficient Subseasonal Weather Forecast using Teleconnection-informed Transformers [29.33938664834226]
季節的な予測は農業、水資源管理、災害の早期警戒に重要である。機械学習の最近の進歩は、数値モデルに対する競争力のある予測能力を達成することで天気予報に革命をもたらした。しかし、そのような基礎モデルのトレーニングには何千日ものGPU日が必要であるため、かなりの炭素排出量が発生する。
論文参考訳（メタデータ） (2024-01-31T14:27:35Z)
Asset Bundling for Wind Power Forecasting [15.393565192962482]
本研究は,アセットバンドル,マシンラーニング,予測和解技術を統合したBPR( Bundle-Predict-Reconcile)フレームワークを提案する。 BPRフレームワークはまず中間階層レベル(バンドル)を学習し、続いて資産、バンドル、フリートレベルでの風力発電を予測し、最後にすべての予測を整合性を確保するために調整する。
論文参考訳（メタデータ） (2023-09-28T14:56:34Z)
Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer [112.12271800369741]
風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
論文参考訳（メタデータ） (2023-05-30T04:03:15Z)
Deep learning for spatio-temporal forecasting -- application to solar energy [12.5097469793837]
この論文は、深い学習を伴う原則付き時間予測の主題に取り組む。エレクトロニティ・ド・フランス(EDF)のモチベーション応用は、魚眼画像による短期的な太陽エネルギー予測である。
論文参考訳（メタデータ） (2022-05-07T06:42:48Z)
Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
論文参考訳（メタデータ） (2022-05-06T13:45:32Z)
Random vector functional link neural network based ensemble deep learning for short-term load forecasting [14.184042046855884]
本稿では,電力負荷予測のための新しいアンサンブルディープランダム関数リンク(edRVFL)を提案する。隠されたレイヤは、深い表現学習を強制するために積み上げられます。モデルは各層の出力をアンサンブルすることで予測を生成する。
論文参考訳（メタデータ） (2021-07-30T01:20:48Z)
Two-Stream Consensus Network: Submission to HACS Challenge 2021 Weakly-Supervised Learning Track [78.64815984927425]
弱い監督による時間的行動ローカライゼーションの目標は、ビデオの興味ある動作を時間的に特定し、分類することである。この課題では,2ストリームコンセンサスネットワーク(TSCN)を主要なフレームワークとして採用しています。この課題では,本手法が今後の学術研究のベースラインとなることを期待して,第2位にランクインした。
論文参考訳（メタデータ） (2021-06-21T03:36:36Z)
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)
A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。