論文の概要: Modelling Residential Supply Tasks Based on Digital Orthophotography Using Machine Learning

• arxiv url: http://arxiv.org/abs/2210.14013v1
• Date: Tue, 25 Oct 2022 13:34:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 16:17:21.507463
• Title: Modelling Residential Supply Tasks Based on Digital Orthophotography Using Machine Learning
• Title（参考訳）: 機械学習を用いたデジタルオルソフォグラフィーに基づく住宅供給課題のモデル化
• Authors: Klemens Schumann, Luis B\"ottcher, Philipp H\"alsig, Daniel Zelenak, Andreas Ulbig
• Abstract要約: 本報告では, 直視に基づく住宅供給業務の包括的決定を可能にする手法を提案する。 その結果, 基準法の結果から電力需要が平均9%減少していることが示唆された。
• 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 order to achieve the climate targets, electrification of individual mobility is essential. However, grid integration of electrical vehicles poses challenges for the electrical distribution network due to high charging power and simultaneity. To investigate these challenges in research studies, the network-referenced supply task needs to be modeled. Previous research work utilizes data that is not always complete or sufficiently granular in space. This is why this paper presents a methodology which allows a holistic determination of residential supply tasks based on orthophotos. To do this, buildings are first identified from orthophotos, then residential building types are classified, and finally the electricity demand of each building is determined. In an exemplary case study, we validate the presented methodology and compare the results with another supply task methodology. The results show that the electricity demand deviates from the results of a reference method by an average 9%. Deviations result mainly from the parameterization of the selected residential building types. Thus, the presented methodology is able to model supply tasks similarly as other methods but more granular.
• Abstract（参考訳）: 気候目標を達成するためには,個別移動の電化が不可欠である。 しかし、電気自動車のグリッド統合は、高充電電力と同時性が原因で、配電ネットワークの課題となっている。 研究におけるこれらの課題を調査するためには,ネットワーク参照サプライタスクをモデル化する必要がある。 以前の研究は、常に完ぺきで、空間的に十分に粒度があるとは限らないデータを利用している。 そこで本稿では, 直交写真に基づく住宅供給タスクを総合的に決定する手法を提案する。 そのため、まずオルソ写真から建物を識別し、次に住宅タイプを分類し、最後に各建物の電力需要を決定する。 例示的なケーススタディでは,提案手法を検証し,他のサプライタスク方法論と比較する。 その結果, 基準法の結果から電力需要が平均9%減少していることが示唆された。 主な要因は, 選択した住宅形態のパラメータ化である。 したがって,提案手法は他の手法と同様にサプライタスクをモデル化することができるが,より粒度が高い。

関連論文リスト

• Combining Physics-based and Data-driven Modeling for Building Energy Systems [5.437298646956505]
  建築エネルギーモデリングは、建築エネルギーシステムの運用を最適化する上で重要な役割を担っている。 研究者たちは物理ベースのモデルとデータ駆動モデルとハイブリッドなアプローチを組み合わせている。 実世界のケーススタディを通じて、エネルギーモデリングにおける4つの主要なハイブリッドアプローチを評価した。
  論文  参考訳（メタデータ） (2024-11-01T21:56:39Z)
• Which Model to Transfer? A Survey on Transferability Estimation [43.93666569439436]
  トランスファーラーニングメソッドは、既存のソーストレーニング済みモデルやデータセットから関連する知識を活用して、下流のターゲットタスクを解決する。 モデル伝達可能性の推定は関心が高まりつつある領域であり、個別にトレーニングすることなく、この適合性を定量化する指標を提案することを目的としている。 本稿では、この領域における既存の進歩を初めてレビューし、これらを2つの異なる領域に分類する: ソースフリーモデル転送可能性推定とソース依存モデル転送可能性推定である。
  論文  参考訳（メタデータ） (2024-02-23T09:47:27Z)
• Dual Student Networks for Data-Free Model Stealing [79.67498803845059]
  主な課題は、パラメータにアクセスせずにターゲットモデルの勾配を推定し、多様なトレーニングサンプルを生成することである。 そこで本研究では,2人の学生が左右対称に学習し,学生が反対するサンプルを生成するための基準を提案する。 我々の新しい最適化フレームワークは、目標モデルのより正確な勾配推定と、ベンチマーク分類データセットの精度向上を提供する。
  論文  参考訳（メタデータ） (2023-09-18T18:11:31Z)
• Towards Efficient Task-Driven Model Reprogramming with Foundation Models [52.411508216448716]
  ビジョンファウンデーションモデルは、非常に大きなモデルキャパシティと幅広いトレーニングデータから恩恵を受け、印象的なパワーを示す。 しかし、実際には、下流のシナリオは限られた計算資源や効率上の考慮のため、小さなモデルしかサポートできない。 これは、ファンデーションモデルの現実的な応用に重要な課題をもたらします。
  論文  参考訳（メタデータ） (2023-04-05T07:28:33Z)
• Learning Task-Aware Energy Disaggregation: a Federated Approach [1.52292571922932]
  非侵入負荷監視(NILM)は、集約されたメーター測定に基づいて、個々のデバイスの消費電力プロファイルを見つけることを目的としている。 しかし、そのような住宅負荷データセットの収集には、膨大な努力と顧客による計測データの共有の承認が必要である。 NILMタスクのための分散型・タスク適応型学習手法を提案し,タスク固有のモデルを総合的に学習するためのネスト型メタ学習とフェデレーション型学習ステップを設計する。
  論文  参考訳（メタデータ） (2022-04-14T05:53:41Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• A Clustering Framework for Residential Electric Demand Profiles [2.294014185517203]
  本稿では,オランダのアムステルダム市に居住する世帯の電気需要プロファイルを分析した。 包括的なクラスタリングフレームワークは、電力消費パターンに基づいて世帯を分類するために定義される。
  論文  参考訳（メタデータ） (2021-05-17T09:19:34Z)
• Generative Models as Distributions of Functions [72.2682083758999]
  生成モデルは一般的に、画像のようなグリッドのようなデータに基づいて訓練される。 本稿では,離散格子を放棄し,連続関数による個々のデータポイントのパラメータ化を行う。
  論文  参考訳（メタデータ） (2021-02-09T11:47:55Z)
• Short-Term Load Forecasting using Bi-directional Sequential Models and Feature Engineering for Small Datasets [6.619735628398446]
  本稿では,双方向逐次モデルに基づく短期負荷予測のためのディープラーニングアーキテクチャを提案する。 提案したアーキテクチャでは、生の入力と手作りの特徴を異なるレベルで訓練し、それぞれの出力を組み合わせて最終的な予測を行う。 提案手法の有効性は, 全く異なるパターンを持つ5カ国のデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2020-11-28T14:11:35Z)
• Learning Discrete Energy-based Models via Auxiliary-variable Local Exploration [130.89746032163106]
  離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。 エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。 本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2020-11-10T19:31:29Z)
• Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
  異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
  論文  参考訳（メタデータ） (2020-07-07T03:36:28Z)

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。