論文の概要: Agglomerative Hierarchical Clustering with Dynamic Time Warping for
Household Load Curve Clustering
- arxiv url: http://arxiv.org/abs/2210.09523v1
- Date: Tue, 18 Oct 2022 01:30:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 15:24:31.427260
- Title: Agglomerative Hierarchical Clustering with Dynamic Time Warping for
Household Load Curve Clustering
- Title（参考訳）: 家計負荷曲線クラスタリングのための動的時間ワープによる集約的階層クラスタリング
- Authors: Fadi AlMahamid, Katarina Grolinger
- Abstract要約: クライアントを消費パターンに従って分類することで、需要応答(DR)プログラムのために特定の消費者グループをターゲットにすることができる。
我々は、AHC(Agglomerative Hierarchical Clustering)とDTW(Dynamic Time Warping)を組み合わせた形状に基づくアプローチを提案する。
DTWを用いたAHCは、他のクラスタリングアルゴリズムよりも優れており、より少ないクラスタを必要とすることを示す。
- 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: Energy companies often implement various demand response (DR) programs to
better match electricity demand and supply by offering the consumers incentives
to reduce their demand during critical periods. Classifying clients according
to their consumption patterns enables targeting specific groups of consumers
for DR. Traditional clustering algorithms use standard distance measurement to
find the distance between two points. The results produced by clustering
algorithms such as K-means, K-medoids, and Gaussian Mixture Models depend on
the clustering parameters or initial clusters. In contrast, our methodology
uses a shape-based approach that combines Agglomerative Hierarchical Clustering
(AHC) with Dynamic Time Warping (DTW) to classify residential households' daily
load curves based on their consumption patterns. While DTW seeks the optimal
alignment between two load curves, AHC provides a realistic initial clusters
center. In this paper, we compare the results with other clustering algorithms
such as K-means, K-medoids, and GMM using different distance measures, and we
show that AHC using DTW outperformed other clustering algorithms and needed
fewer clusters.
- Abstract（参考訳）: エネルギー会社は、批判的な期間に需要を減らすために消費者にインセンティブを提供することにより、電力需要と供給に合致する様々な需要対応(dr)プログラムをしばしば実施している。
従来のクラスタリングアルゴリズムは、標準距離測定を使用して、2つのポイント間の距離を見つける。
k-means、k-medoids、gaussian mixed modelなどのクラスタリングアルゴリズムによって生成された結果は、クラスタリングパラメータや初期クラスタに依存する。
これとは対照的に,本手法では,AHC(Agglomerative Hierarchical Clustering)とDTW(Dynamic Time Warping)を組み合わせて,家庭の日常負荷曲線を消費パターンに基づいて分類する。
DTWは2つの負荷曲線の最適アライメントを求めるが、AHCは現実的な初期クラスタセンターを提供する。
本稿では,K-means,K-medoids,GMMといった他のクラスタリングアルゴリズムと比較し,DTWを用いたAHCが他のクラスタリングアルゴリズムより優れ,より少ないクラスタを必要とすることを示す。
関連論文リスト
- Self-Supervised Graph Embedding Clustering [70.36328717683297]
K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。
本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-24T08:59:51Z) - A3S: A General Active Clustering Method with Pairwise Constraints [66.74627463101837]
A3Sは、適応クラスタリングアルゴリズムによって得られる初期クラスタ結果に対して、戦略的にアクティブクラスタリングを調整する。
さまざまな実世界のデータセットにわたる広範な実験において、A3Sは、人間のクエリを著しく少なくして、望ましい結果を達成する。
論文 参考訳（メタデータ） (2024-07-14T13:37:03Z) - A Hybrid SOM and K-means Model for Time Series Energy Consumption
Clustering [0.0]
本稿では、自己組織化マップとK平均クラスタリングという2つの強力な手法を統合することにより、毎月のエネルギー消費パターンを効果的にクラスタリングする新しい手法を提案する。
本研究の主な焦点は、ロンドンにおけるスマートメーターの時系列エネルギー消費データの選択である。
論文 参考訳（メタデータ） (2023-11-25T16:55:19Z) - A Machine Learning-Based Framework for Clustering Residential
Electricity Load Profiles to Enhance Demand Response Programs [0.0]
実ケーススタディを通じて最適な負荷プロファイルを実現するために,機械学習に基づく新しいフレームワークを提案する。
本稿では,実ケーススタディを通じて最適な負荷プロファイルを実現するために,機械学習に基づく新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-31T11:23:26Z) - Targeted demand response for flexible energy communities using
clustering techniques [2.572906392867547]
目的は、イタリアの分散エネルギーコミュニティにおける消費者の消費行動を変えることである。
一般的な3つの機械学習アルゴリズム、すなわちk-means、k-medoids、集約クラスタリングが採用されている。
本研究で提案される新しい指標,すなわちピークパフォーマンススコア(PPS)を含む複数の指標を用いた手法の評価を行った。
論文 参考訳（メタデータ） (2023-03-01T02:29:30Z) - Clustering of Bank Customers using LSTM-based encoder-decoder and
Dynamic Time Warping [0.0]
クラスタリングは教師なしのデータマイニング技術であり、セグメンテーション顧客に使用することができる。
本研究では,実世界の金融データセットを用いて,エンコーダデコーダネットワークと動的時間ワープ(DTW)手法を用いて銀行顧客をクラスタリングする。
論文 参考訳（メタデータ） (2021-10-22T13:16:49Z) - SOMTimeS: Self Organizing Maps for Time Series Clustering and its
Application to Serious Illness Conversations [3.2689702143620147]
我々はSOMTimeS(TIMEシリーズの自己組織化マップ)と呼ばれるDTWに基づく新しいクラスタリング手法を提案する。
他のDTWベースのクラスタリングアルゴリズムよりも高速で、パフォーマンスも同等です。
我々は,大規模医療コホート研究の一環として収集した自然言語会話データにSOMtimeSを適用した。
論文 参考訳（メタデータ） (2021-08-26T00:18:25Z) - (k, l)-Medians Clustering of Trajectories Using Continuous Dynamic Time
Warping [57.316437798033974]
本研究では,トラジェクトリの集中型クラスタリングの問題について考察する。
我々はDTWの連続バージョンを距離測定として使用することを提案し、これをCDTW(Continuous dynamic time warping)と呼ぶ。
一連の軌道から中心を計算し、その後反復的に改善する実践的な方法を示す。
論文 参考訳（メタデータ） (2020-12-01T13:17:27Z) - Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。
我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
論文 参考訳（メタデータ） (2020-10-22T15:58:35Z) - Decorrelated Clustering with Data Selection Bias [55.91842043124102]
本稿では,データ選択バイアスを伴うクラスタリングのためのデコリレーション正規化K-Meansアルゴリズム(DCKM)を提案する。
DCKMアルゴリズムは,選択バイアスによって生じる予期せぬ特徴相関を除去する必要があることを示す。
論文 参考訳（メタデータ） (2020-06-29T08:55:50Z) - LSD-C: Linearly Separable Deep Clusters [145.89790963544314]
ラベルなしデータセットのクラスタを識別する新しい手法であるLSD-Cを提案する。
本手法は,最近の半教師付き学習の実践からインスピレーションを得て,クラスタリングアルゴリズムと自己教師付き事前学習と強力なデータ拡張を組み合わせることを提案する。
CIFAR 10/100, STL 10, MNIST, および文書分類データセットReuters 10Kなど, 一般的な公開画像ベンチマークにおいて, 当社のアプローチが競合より大幅に優れていたことを示す。
論文 参考訳（メタデータ） (2020-06-17T17:58:10Z)
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。