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
- 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) - Forecasting Electric Vehicle Charging Station Occupancy: Smarter
Mobility Data Challenge [0.0]
Smarter Mobility Data Challengeは、EV充電ステーションの占有率を予測する予測モデルの開発に注力している。
この課題は、2020年から2021年の間に4つの地理的領域にわたる91の充電ステーションのデータセットを分析した。
その結果、EV充電ステーションの占有率を正確に予測するための階層的予測手法の可能性が浮き彫りになった。
論文 参考訳(メタデータ) (2023-06-09T07:22:18Z) - 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) - 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) - 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。
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。