Fugu-MT 論文翻訳(概要): Multistep prediction for short-term wind speed based on the MLP and LSTM method with rankpooling

論文の概要: Multistep prediction for short-term wind speed based on the MLP and LSTM method with rankpooling

arxiv url: http://arxiv.org/abs/2211.14434v1
Date: Wed, 23 Nov 2022 14:02:52 GMT
ステータス: 処理完了
システム内更新日: 2022-12-04 14:05:55.961338
Title: Multistep prediction for short-term wind speed based on the MLP and LSTM method with rankpooling
Title（参考訳）: MLP法とLSTM法に基づく短期風速の多段階予測
Authors: Hailong Shu
Abstract要約: 単体モデルや浅部モデルを適用することで風速を高精度に予測することは困難である。風速の多段階予測のためのハイブリッド深層学習モデルを提案する。ケーススタディの結果,提案した風速モデルの方が予測能力に優れていたことが示唆された。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The actual wind speed data suffers from the intermittent and fluctuating property, which implies that it is very difficult to forecast wind speed with high accuracy by applying single or shallow models. Hence, with the purpose of improving the forecasting accuracy and obtain better forecasting results, in this paper, a novel hybrid deep learning model is proposed for multistep forecasting of wind speed, which is intuitively abbreviated as LR-FFT-RP-LSTM and LR-FFT-RP-LSTM. Under these formulated model, the rankpooling method is firstly presented to extract local features of the raw meteorological data, and the Fast Fourier Transformation (FFT) is adopted to extract local and global features of the raw meteorological data to obtain pre-processed data, and the data obtained is then integrated with the original data using the two procedures to produce two input datasets. Then, deep learning model named multi-layer perceptron method (MLP) and long short-term memory (LSTM) are adopted to predict the wind speed dataset. The target prediction results are then obtained by integrating the preliminary prediction findings using the linear regression method.Practical wind speed data from 2010 to 2020 are exploited to evaluate the performance of the proposed model. Case study results indicate that the proposed model for wind speed has a superior forecasting capability. Moreover, the proposed hybrid model is very competitive compared to the state-of-the-art single model and other hybrid models involved in this paper.
Abstract（参考訳）: 実際の風速データは断続的・変動性に悩まされており, 単一モデルや浅部モデルを適用して高精度に風速を予測することは極めて困難である。そこで本研究では,予測精度の向上と予測結果の向上を目的として,直感的にはLR-FFT-RP-LSTM,LR-FFT-RP-LSTMと略される,風速の多段階予測のためのハイブリッドディープラーニングモデルを提案する。この定式化モデルでは,まず, 生気象データの局所的特徴を抽出し, 高速フーリエ変換(fft)を用いて生気象データの局所的・大域的特徴を抽出し, 予め処理したデータを取得し, 得られたデータを2つの手順を用いて原データに統合して2つの入力データセットを生成する。次に,多層パーセプトロン法(MLP)と長短期記憶(LSTM)という深層学習モデルを用いて風速データセットの予測を行う。次に, 線形回帰法による予報結果を統合することにより, 目標予測結果を得るとともに, 2010年から2020年にかけての風速データを用いて, 提案モデルの性能評価を行った。事例研究の結果, 風速モデルの方が予測性能が高いことがわかった。さらに,提案するハイブリッドモデルは,最先端のシングルモデルや他のハイブリッドモデルと比較して,非常に競争力が高い。

関連論文リスト

Short-term Wind Speed Forecasting for Power Integration in Smart Grids based on Hybrid LSSVM-SVMD Method [0.0]
風力エネルギーは、最も広く利用されている再生可能エネルギー資源の1つとなっている。グリッドシステムへの風力統合の成功は、正確な風速予測モデルに基づいている。本稿では,短期風速予測のためのハイブリッド機械学習手法を提案する。
論文参考訳（メタデータ） (2024-08-30T10:35:59Z)
Ultra-short-term multi-step wind speed prediction for wind farms based on adaptive noise reduction technology and temporal convolutional network [0.0]
本研究では、データノイズ低減技術、時間畳み込みネットワーク(TCN)、ゲートリカレントユニット(GRU)に基づく新しい風速予測モデルを提案する。提案モデルは山東省の3つの風力発電所で検証された。
論文参考訳（メタデータ） (2023-11-27T03:53:19Z)
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)
Enhancing Short-Term Wind Speed Forecasting using Graph Attention and Frequency-Enhanced Mechanisms [17.901334082943077]
GFST-WSFは、時間的特徴抽出のためのトランスフォーマーアーキテクチャと空間的特徴抽出のためのグラフ注意ネットワーク(GAT)を備える。 GATは風速局間の複雑な空間的依存関係を捉えるように設計されている。地理的要因による隣接する風力発電所間の風速相関のモデル時間ラグ
論文参考訳（メタデータ） (2023-05-19T08:50:58Z)
Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文参考訳（メタデータ） (2023-01-05T13:59:29Z)
Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文参考訳（メタデータ） (2022-11-26T01:56:05Z)
Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文参考訳（メタデータ） (2022-11-03T17:19:43Z)
Spatio-Temporal Wind Speed Forecasting using Graph Networks and Novel Transformer Architectures [1.278093617645299]
本研究は,ノルウェー大陸棚の多段階風速予測に焦点を当てた。グラフニューラルネットワーク(GNN)アーキテクチャは、時間的相関を学習するために異なる更新機能を持つ空間的依存関係を抽出するために使用された。 LogSparse TransformerとAutoformerが風速予測に適用されたのはこれが初めてである。
論文参考訳（メタデータ） (2022-08-29T13:26:20Z)
A Wavelet, AR and SVM based hybrid method for short-term wind speed prediction [0.9137554315375922]
風速時系列をウェーブレット分解法を用いて各種周波数成分に分割する。周波数域に付随する成分は性質を示すため,自己回帰(AR)法でモデル化した。その結果,単体ARモデルやSVMモデルと比較して風速予測の精度が向上した。
論文参考訳（メタデータ） (2022-03-29T07:31:16Z)
FAMLP: A Frequency-Aware MLP-Like Architecture For Domain Generalization [73.41395947275473]
本稿では、変換周波数領域において、ドメイン固有の特徴をフィルタリングする新しい周波数認識アーキテクチャを提案する。 3つのベンチマークの実験では、最先端の手法をそれぞれ3%、4%、9%のマージンで上回った。
論文参考訳（メタデータ） (2022-03-24T07:26:29Z)
GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
光フロー推定学習のためのGMFlowフレームワークを提案する。機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
論文参考訳（メタデータ） (2021-11-26T18:59:56Z)

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。