Fugu-MT 論文翻訳(概要): ABODE-Net: An Attention-based Deep Learning Model for Non-intrusive Building Occupancy Detection Using Smart Meter Data

論文の概要: ABODE-Net: An Attention-based Deep Learning Model for Non-intrusive Building Occupancy Detection Using Smart Meter Data

arxiv url: http://arxiv.org/abs/2212.11396v1
Date: Wed, 21 Dec 2022 22:37:42 GMT
ステータス: 処理完了
システム内更新日: 2022-12-23 15:20:20.856797
Title: ABODE-Net: An Attention-based Deep Learning Model for Non-intrusive Building Occupancy Detection Using Smart Meter Data
Title（参考訳）: ABODE-Net:スマートメータデータを用いた非侵入的建物機能検出のための注意型ディープラーニングモデル
Authors: Zhirui Luo, Ruobin Qi, Qingqing Li, Jun Zheng, Sihua Shao
Abstract要約: 業務情報は、建築セクターの効率的なエネルギー管理に有用である。スマートメーターによって収集された高解像度の電力消費データにより、非侵襲的な方法で建物の占有状況を推定することができる。本稿では,ABODE-Netとよばれる深層傾きモデルを提案する。
参考スコア（独自算出の注目度）: 5.732496048593952
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Occupancy information is useful for efficient energy management in the building sector. The massive high-resolution electrical power consumption data collected by smart meters in the advanced metering infrastructure (AMI) network make it possible to infer buildings' occupancy status in a non-intrusive way. In this paper, we propose a deep leaning model called ABODE-Net which employs a novel Parallel Attention (PA) block for building occupancy detection using smart meter data. The PA block combines the temporal, variable, and channel attention modules in a parallel way to signify important features for occupancy detection. We adopt two smart meter datasets widely used for building occupancy detection in our performance evaluation. A set of state-of-the-art shallow machine learning and deep learning models are included for performance comparison. The results show that ABODE-Net significantly outperforms other models in all experimental cases, which proves its validity as a solution for non-intrusive building occupancy detection.
Abstract（参考訳）: 業務情報は、建築セクターの効率的なエネルギー管理に有用である。高度計測インフラ(ami)ネットワークでスマートメータが収集した大規模高分解能電力消費データにより,建築物の占有状況の非侵入的推定が可能となった。本稿では,ABODE-Netと呼ばれる,新しい並列注意ブロック(PA)を用いて,スマートメーターデータを用いた占有度検出を行う深層傾きモデルを提案する。 paブロックは、時間的、変数的、チャネル的注意モジュールを並列的に組み合わせ、占有者検出の重要な特徴を示す。我々は,2つのスマートメータデータセットを性能評価に活用した。パフォーマンス比較には最先端の浅層機械学習とディープラーニングモデルが含まれている。その結果、abode-netは全ての実験ケースで他のモデルを大きく上回っており、非侵入的な建物占有検知のソリューションとしての有効性が証明された。

関連論文リスト

Hybrid Transformer-RNN Architecture for Household Occupancy Detection Using Low-Resolution Smart Meter Data [8.486902848941872]
エネルギーシステムのデジタル化は、非侵襲的な方法で占有検知に使用できるスマートメーターデータを提供する。ディープラーニング技術により、低解像度のスマートメーターデータから占有率を推定できる。本研究は, 住宅の占有状況を検出するための, プライバシ意識と効果的なモデルを開発することを目的としている。
論文参考訳（メタデータ） (2023-08-27T14:13:29Z)
Towards Improving Workers' Safety and Progress Monitoring of Construction Sites Through Construction Site Understanding [0.0]
我々は,グローバルな特徴親和性関連に基づくチャネル関係を改善するために,軽量なOPモジュールを提案する。 OP-Netは、あらゆるディープニューラルネットワークにプラグインできる一般的なディープニューラルネットワークモジュールである。 SODAを用いたベンチマークテストでは、OP-Netが新しい最先端性能を精度良く達成できることを示した。
論文参考訳（メタデータ） (2022-10-27T20:33:46Z)
Power Management in Smart Residential Building with Deep Learning Model for Occupancy Detection by Usage Pattern of Electric Appliances [0.4987480084635553]
提案アルゴリズムは, 電化製品の技術情報を用いて95.798.4%の占有率検出を実現する。電力消費量を11.113.1%に削減する。
論文参考訳（メタデータ） (2022-09-23T11:02:45Z)
Be Your Own Neighborhood: Detecting Adversarial Example by the Neighborhood Relations Built on Self-Supervised Learning [64.78972193105443]
本稿では,予測に有効な新しいAE検出フレームワークを提案する。 AEの異常な関係と拡張バージョンを区別して検出を行う。表現を抽出し、ラベルを予測するために、既製の自己監視学習(SSL)モデルが使用される。
論文参考訳（メタデータ） (2022-08-31T08:18:44Z)
DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文参考訳（メタデータ） (2021-05-30T22:07:13Z)
Energy Drain of the Object Detection Processing Pipeline for Mobile Devices: Analysis and Implications [77.00418462388525]
本稿では、移動体拡張現実(AR)クライアントのエネルギー消費と、畳み込みニューラルネットワーク(CNN)に基づく物体検出を行う際の検出遅延について、初めて詳細な実験を行った。我々は,移動体ARクライアントのエネルギー分析を精査し,CNNによる物体検出を行う際のエネルギー消費に関するいくつかの興味深い視点を明らかにした。
論文参考訳（メタデータ） (2020-11-26T00:32:07Z)
A Federated Learning Approach to Anomaly Detection in Smart Buildings [5.177947445379688]
マルチタスク学習パラダイムを活用することにより,連合学習環境における異常検出問題を定式化する。本稿では,LSTMモデルを用いた新しいプライバシ・バイ・デザイン・フェデレーション学習モデルを提案する。集中型LSTMに比べてトレーニング収束時の2倍以上の速さであることが実証された。
論文参考訳（メタデータ） (2020-10-20T14:06:00Z)
Energy Disaggregation with Semi-supervised Sparse Coding [0.0]
エネルギー分解研究は、集約されたエネルギー消費データを部品機器に分解することを目的としている。本稿では,エネルギー保全のための大規模家庭用電力利用データセットを用いて,スパース符号化に基づく差別的分散モデルの評価を行った。
論文参考訳（メタデータ） (2020-04-20T21:05:25Z)
Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文参考訳（メタデータ） (2020-04-15T06:13:33Z)
Depthwise Non-local Module for Fast Salient Object Detection Using a Single Thread [136.2224792151324]
本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
論文参考訳（メタデータ） (2020-01-22T15:23:48Z)
Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文参考訳（メタデータ） (2020-01-13T04:41:54Z)

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。