論文の概要: Hierarchical learning, forecasting coherent spatio-temporal individual
and aggregated building loads
- arxiv url: http://arxiv.org/abs/2301.12967v1
- Date: Mon, 30 Jan 2023 15:11:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-31 14:14:46.223309
- Title: Hierarchical learning, forecasting coherent spatio-temporal individual
and aggregated building loads
- Title（参考訳）: 階層的学習, 時空間的個人と集合的建築負荷の予測
- Authors: Julien Leprince, Henrik Madsen, Jan Kloppenborg M{\o}ller, Wim Zeiler
- Abstract要約: 構造的インフォームド機械学習回帰器と階層的和解分類に基づく新しい多次元階層予測手法を提案する。
本手法は2つの異なるケーススタディを用いて電気的負荷の予測を行う。
全体として、本論文は従来の階層的予測手法を拡張・統一し、新しい世代の予測回帰器への肥大なルートを提供する。
- 参考スコア（独自算出の注目度）: 1.3764085113103222
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optimal decision-making compels us to anticipate the future at different
horizons. However, in many domains connecting together predictions from
multiple time horizons and abstractions levels across their organization
becomes all the more important, else decision-makers would be planning using
separate and possibly conflicting views of the future. This notably applies to
smart grid operation. To optimally manage energy flows in such systems,
accurate and coherent predictions must be made across varying aggregation
levels and horizons. With this work, we propose a novel multi-dimensional
hierarchical forecasting method built upon structurally-informed
machine-learning regressors and established hierarchical reconciliation
taxonomy. A generic formulation of multi-dimensional hierarchies, reconciling
spatial and temporal hierarchies under a common frame is initially defined.
Next, a coherency-informed hierarchical learner is developed built upon a
custom loss function leveraging optimal reconciliation methods. Coherency of
the produced hierarchical forecasts is then secured using similar
reconciliation technics. The outcome is a unified and coherent forecast across
all examined dimensions. The method is evaluated on two different case studies
to predict building electrical loads across spatial, temporal, and
spatio-temporal hierarchies. Although the regressor natively profits from
computationally efficient learning, results displayed disparate performances,
demonstrating the value of hierarchical-coherent learning in only one setting.
Yet, supported by a comprehensive result analysis, existing obstacles were
clearly delineated, presenting distinct pathways for future work. Overall, the
paper expands and unites traditionally disjointed hierarchical forecasting
methods providing a fertile route toward a novel generation of forecasting
regressors.
- Abstract（参考訳）: 最適な意思決定は、異なる地平線で未来を予測せざるを得ない。
しかし、多くのドメインにおいて、複数の時間的地平線からの予測と組織全体の抽象化レベルを結びつけることが、より重要になる。
これはスマートグリッド操作に特に当てはまる。
このようなシステムのエネルギーフローを最適に管理するには、様々な凝集レベルと地平線で正確で一貫性のある予測を行う必要がある。
本研究では,構造的インフォームド機械学習回帰器上に構築された多次元階層的予測手法を提案する。
多次元階層の一般的な定式化、空間的階層と時間的階層を共通フレームで整合化すること。
次に、最適和解法を利用したカスタム損失関数に基づくコヒーレンシインフォーム型階層学習器を開発した。
生成した階層的予測の一貫性は、同様の和解技術を用いて確保される。
結果は全次元にわたって統一的で一貫性のある予測である。
本手法は,空間的,時空間的,時空間的階層にまたがる電気的負荷を予測するための2つの異なるケーススタディに基づいて評価される。
回帰器は計算効率のよい学習から自然に利益を得るが、結果は異なる性能を示し、階層的コヒーレント学習の価値を1つの設定で示した。
しかし、総合的な結果分析によって、既存の障害は明らかに一線を画しており、将来の作業のための明確な経路を示している。
全体として, 従来の階層的予測手法は, 新たな世代予測レグレッサへの道筋を画策し, 統合する。
関連論文リスト
- Hierarchical Decomposition of Prompt-Based Continual Learning:
Rethinking Obscured Sub-optimality [55.88910947643436]
大量のラベルのないデータを実際に扱うためには、自己教師付き事前トレーニングが不可欠である。
HiDe-Promptは、タスク固有のプロンプトと統計のアンサンブルで階層的なコンポーネントを明示的に最適化する革新的なアプローチである。
実験では,HiDe-Promptの優れた性能と,継続学習における事前学習パラダイムへの頑健さを実証した。
論文 参考訳（メタデータ） (2023-10-11T06:51:46Z) - Graph-based Time Series Clustering for End-to-End Hierarchical Forecasting [18.069747511100132]
時系列間の関係は、効果的な予測モデル学習における帰納バイアスとして利用することができる。
本稿では,関係性および階層的帰納バイアスを統一するグラフベースの手法を提案する。
論文 参考訳（メタデータ） (2023-05-30T16:27:25Z) - SLOTH: Structured Learning and Task-based Optimization for Time Series
Forecasting on Hierarchies [16.12477042879166]
階層時系列(HTS)予測には2つのサブタスク、すなわち予測と和解が含まれる。
本稿では,トップダウン・コンボリューションとボトムアップ・アテンション(ボトムアップ・アテンション)という,新しいツリーベース機能統合機構を提案する。
強い仮定を頼りにするか、一貫性のある制約のみにフォーカスする従来の和解法とは異なり、我々はディープ・ニューラル・オプティマイゼーション・ネットワークを利用する。
論文 参考訳（メタデータ） (2023-02-11T10:50:33Z) - Structural hierarchical learning for energy networks [1.2599533416395767]
本研究では,階層構造のトポロジ的構造にインスパイアされた,カスタムニューラルネットワークの設計について検討する。
その結果、データ制限のある環境では、コネクションが少ない構造モデルが全体として最高のパフォーマンスを発揮することが判明した。
全体として、この研究は構造的スケールの学習メカニズムの拡張により階層的な学習方法を拡張し、改善する。
論文 参考訳（メタデータ） (2023-02-08T10:28:32Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳（メタデータ） (2022-05-13T21:09:41Z) - Provable Hierarchy-Based Meta-Reinforcement Learning [50.17896588738377]
HRLをメタRL設定で解析し、下流タスクで使用するメタトレーニング中に学習者が潜在階層構造を学習する。
我々は、この自然階層の標本効率の回復を保証し、抽出可能な楽観主義に基づくアルゴリズムとともに「多様性条件」を提供する。
我々の境界は、時間的・状態的・行動的抽象化などのHRL文献に共通する概念を取り入れており、我々の設定と分析が実際にHRLの重要な特徴を捉えていることを示唆している。
論文 参考訳（メタデータ） (2021-10-18T17:56:02Z) - Learning to Abstract and Predict Human Actions [60.85905430007731]
ビデオにおける人間の活動の階層構造をモデル化し,行動予測におけるそのような構造の効果を実証する。
イベントの部分的階層を観察し、その構造を複数の抽象化レベルで将来の予測にロールアウトすることで、人間の活動の構造を学習できる階層型ニューラルネットワークであるHierarchical-Refresher-Anticipatorを提案する。
論文 参考訳（メタデータ） (2020-08-20T23:57:58Z) - Long-Horizon Visual Planning with Goal-Conditioned Hierarchical
Predictors [124.30562402952319]
未来に予測し、計画する能力は、世界で行動するエージェントにとって基本である。
視覚的予測と計画のための現在の学習手法は、長期的タスクでは失敗する。
本稿では,これらの制約を克服可能な視覚的予測と計画のためのフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-23T17:58:56Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳（メタデータ） (2020-06-19T21:04:47Z) - Hierarchical forecast reconciliation with machine learning [0.34998703934432673]
本稿では,機械学習に基づく新しい階層的予測手法を提案する。
これは、サンプル後の経験的予測精度とコヒーレンスの改善の目的を構造的に組み合わせている。
本研究では,提案手法が既存手法よりも優れた点予測を与えることを示す。
論文 参考訳（メタデータ） (2020-06-03T04:49:39Z) - A machine learning approach for forecasting hierarchical time series [4.157415305926584]
階層時系列を予測するための機械学習手法を提案する。
予測整合は予測を調整し、階層をまたいで一貫性を持たせるプロセスである。
我々は、階層構造をキャプチャする情報を抽出するディープニューラルネットワークの能力を利用する。
論文 参考訳（メタデータ） (2020-05-31T22:26:16Z)
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。