論文の概要: Non-intrusive Water Usage Classification Considering Limited Training
Data
- arxiv url: http://arxiv.org/abs/2301.03457v1
- Date: Mon, 2 Jan 2023 11:57:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-15 23:09:05.308789
- Title: Non-intrusive Water Usage Classification Considering Limited Training
Data
- Title（参考訳）: 限られた訓練データを考慮した非侵入水利用分類
- Authors: Pavlos Pavlou, Stelios Vrachimis, Demetrios G. Eliades, Marios M.
Polycarpou
- Abstract要約: 家電の使用状況を連続的に監視するための家庭内水消費のスマート測定は, 人々の水環境保全に対する行動に影響を及ぼすことが示されている。
現在、各家電をモニタする複数のセンサの設置は、初期コストが高く、その結果、センサを使用して異なる家電の消費を監視することは、費用対効果が低い。
そこで本研究では,家庭内水消費の総量を用いて,単一および重なり合う家庭用水利用イベントを分類するアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 5.935761705025763
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Smart metering of domestic water consumption to continuously monitor the
usage of different appliances has been shown to have an impact on people's
behavior towards water conservation. However, the installation of multiple
sensors to monitor each appliance currently has a high initial cost and as a
result, monitoring consumption from different appliances using sensors is not
cost-effective. To address this challenge, studies have focused on analyzing
measurements of the total domestic consumption using Machine Learning (ML)
methods, to disaggregate water usage into each appliance. Identifying which
appliances are in use through ML is challenging since their operation may be
overlapping, while specific appliances may operate with intermittent flow,
making individual consumption events hard to distinguish. Moreover, ML
approaches require large amounts of labeled input data to train their models,
which are typically not available for a single household, while usage
characteristics may vary in different regions. In this work, we initially
propose a data model that generates synthetic time series based on regional
water usage characteristics and resolution to overcome the need for a large
training dataset with real labeled data. The method requires a small number of
real labeled data from the studied region. Following this, we propose a new
algorithm for classifying single and overlapping household water usage events,
using the total domestic consumption measurements.
- Abstract（参考訳）: 家電の使用状況を継続的に監視するための家庭内水消費のスマート測定は, 人々の水環境保全に対する行動に影響を及ぼすことが示された。
しかし,各家電をモニタする複数のセンサの設置は初期コストが高く,センサを用いた各種家電の消費監視は費用対効果が低い。
この課題に対処するため、研究は機械学習(ml)法を用いた国内総消費量の測定を分析し、各機器に水の使用量を分解することに焦点を当てている。
特定のアプライアンスが断続的なフローで動作し、個々の消費イベントの識別が困難になる可能性があるため、mlで使用するアプライアンスを特定するのは困難である。
さらに、MLアプローチはモデルをトレーニングするために大量のラベル付き入力データを必要とするが、通常は単一の家庭では利用できない。
本研究では,まず,実際のラベル付きデータを持つ大規模トレーニングデータセットの必要性を克服するために,地域水利用特性と分解能に基づく合成時系列を生成するデータモデルを提案する。
この手法では,研究領域からのラベル付きデータを少数必要とする。
そこで本研究では,家庭内水消費の総量を用いて,単一および重複する家庭用水利用イベントを分類するアルゴリズムを提案する。
関連論文リスト
- Scaling Wearable Foundation Models [54.93979158708164]
センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。
最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。
この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
論文 参考訳（メタデータ） (2024-10-17T15:08:21Z) - ADF & TransApp: A Transformer-Based Framework for Appliance Detection
Using Smart Meter Consumption Series [10.66594181476182]
世界中の電力供給業者が何百万ものスマートメーターを設置し、大量の電力消費データを収集している。
これらのサプライヤーが直面する重要な課題の1つは、異なるアプライアンスの存在/存在を検出するためにこのデータを利用する方法である。
本稿では,アプライアンスの存在/存在を検出するために,クライアント消費系列のサブシーケンスを利用するフレームワークであるAFFを提案する。
論文 参考訳（メタデータ） (2023-12-17T20:25:01Z) - Federated Learning for Water Consumption Forecasting in Smart Cities [3.4716081340827007]
水の消費は、世界の将来の課題の中で大きな関心事である。
ディープラーニングモデルは、スマートシティで大量の消費データを使用して訓練されている。
本稿では,スマートシティにおける水消費予測の新しいモデルを提案する。
論文 参考訳（メタデータ） (2023-01-30T16:26:25Z) - Privacy Adhering Machine Un-learning in NLP [66.17039929803933]
現実の業界では、機械学習を使ってユーザデータに基づくモデルを構築します。
このような委任事項には、データだけでなく、モデルの再トレーニングにも労力が要る。
データの継続的な削除と モデル再訓練のステップはスケールしません
この課題に対処するために、textitMachine Unlearningを提案する。
論文 参考訳（メタデータ） (2022-12-19T16:06:45Z) - 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) - Domain Knowledge Aids in Signal Disaggregation; the Example of the
Cumulative Water Heater [68.8204255655161]
住宅における累積給湯器(CWH)の電力の検出と分散を目的とした教師なし低周波法を提案する。
本モデルでは,パワースパイクの形状と発生時刻を両立させることにより,教師なし信号の分解の難しさを回避する。
我々のモデルは、単純さに拘わらず、有望なアプリケーションを提供する: オフピーク契約における設定ミスの検出と性能劣化の遅さ。
論文 参考訳（メタデータ） (2022-03-22T10:39:19Z) - Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。
この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文 参考訳（メタデータ） (2021-06-14T11:42:46Z) - Investigating Underlying Drivers of Variability in Residential Energy
Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。
本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
論文 参考訳（メタデータ） (2021-02-16T16:56:27Z) - Quantification of Disaggregation Difficulty with Respect to the Number
of Meters [0.0]
non-intrusive load monitoring (nilm) は効率的なエネルギー管理への有望なアプローチである。
イベントベースのNILMメソッドは、イベントベースのNILMメソッドのパフォーマンスを制限することが知られている。
近い消費値を持つアプライアンスの存在は、イベントベースのNILMメソッドのパフォーマンスを制限することが知られている。
論文 参考訳（メタデータ） (2021-01-18T17:50:48Z) - Incorporating Coincidental Water Data into Non-intrusive Load Monitoring [0.0]
独自の非オーバーラップ電力値を持つ家電の電力信号を抽出するイベントベースの分類プロセスを提案する。
ネットワーク内の新たなシグネチャとして,いくつかの機器の水消費を考慮した2つのディープラーニングモデルを用いて,重なり合う電力値を持つ家電を識別する。
提案プロセスでは, 電力の分散に加えて, 特定の電化製品の水消費プロファイルも抽出する。
論文 参考訳（メタデータ） (2021-01-18T17:49:39Z) - Predictive Analytics for Water Asset Management: Machine Learning and
Survival Analysis [55.41644538483948]
本研究では,水管故障の予測のための統計的および機械学習の枠組みについて検討する。
スペイン,バルセロナの配水ネットワーク内の全管の故障記録を含むデータセットを用いて検討を行った。
その結果, 管形状, 年齢, 材質, 土壌被覆など, 重要な危険因子の影響が明らかにされた。
論文 参考訳（メタデータ） (2020-07-02T19:08:36Z)
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。