論文の概要: Spatio-Temporal Denoising Graph Autoencoders with Data Augmentation for Photovoltaic Timeseries Data Imputation

• arxiv url: http://arxiv.org/abs/2302.10860v1
• Date: Tue, 21 Feb 2023 18:16:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-22 14:09:16.123884
• Title: Spatio-Temporal Denoising Graph Autoencoders with Data Augmentation for Photovoltaic Timeseries Data Imputation
• Title（参考訳）: 太陽光発電データインプットのためのデータ拡張付き時空間デノージンググラフオートエンコーダ
• Authors: Yangxin Fan, Xuanji Yu, Raymond Wieser, David Meakin, Avishai Shaton, Jean-Nicolas Jaubert, Robert Flottemesch, Michael Howell, Jennifer Braid, Laura S.Bruckman, Roger French, Yinghui Wu
• Abstract要約: 本稿では,PV電力データ不足を補うために,新しい時空間デノインググラフオートエンコーダ(STD-GAE)フレームワークを提案する。 STD-GAEは、時間的相関、空間コヒーレンス、およびドメイン知識からの値依存性を利用して、欠落したデータを復元する。 実験の結果、STD-GAEは計算精度が43.14%向上し、欠落率、季節、欠落シナリオに敏感であることが示されている。
• 参考スコア（独自算出の注目度）: 5.59104299391672
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The integration of the global Photovoltaic (PV) market with real time data-loggers has enabled large scale PV data analytical pipelines for power forecasting and long-term reliability assessment of PV fleets. Nevertheless, the performance of PV data analysis heavily depends on the quality of PV timeseries data. This paper proposes a novel Spatio-Temporal Denoising Graph Autoencoder (STD-GAE) framework to impute missing PV Power Data. STD-GAE exploits temporal correlation, spatial coherence, and value dependencies from domain knowledge to recover missing data. Experimental results show that STD-GAE can achieve a gain of 43.14% in imputation accuracy and remains less sensitive to missing rate, different seasons, and missing scenarios, compared with state-of-the-art data imputation methods such as MIDA and LRTC-TNN.
• Abstract（参考訳）: グローバルな太陽光発電(PV)市場とリアルタイムデータロガーの統合により、太陽光発電車両の電力予測と長期信頼性評価のための大規模なPVデータ分析パイプラインが実現された。 それでも、PVデータ解析の性能は、PV時系列データの品質に大きく依存する。 本稿では,PV電力データ不足を補うために,新しい時空間デノインググラフオートエンコーダ(STD-GAE)フレームワークを提案する。 STD-GAEは、時間的相関、空間コヒーレンス、およびドメイン知識からの値依存性を利用して、欠落したデータを復元する。 実験の結果、std-gaeはインプテーションの精度が43.14%向上し、midaやlrtc-tnnのような最先端のデータインプテーション手法と比較しても、欠落率、季節、欠落シナリオに対する感受性が低かった。

関連論文リスト

• Time-Causal VAE: Robust Financial Time Series Generator [2.765106384328772]
  金融時系列データのロバストな生成のための時空間変分自動エンコーダ(TC-VAE)を構築した。 提案手法では,エンコーダとデコーダネットワークに因果制約を課し,実市場時系列から偽生成時系列への因果輸送を確保する。
  論文  参考訳（メタデータ） (2024-11-05T09:44:15Z)
• Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
  本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。 幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
  論文  参考訳（メタデータ） (2024-07-02T20:14:32Z)
• Stock Volume Forecasting with Advanced Information by Conditional Variational Auto-Encoder [49.97673761305336]
  本研究では,短時間・長期の予測作業において,日当たりのストックボリューム時系列の予測を改善するために,条件変動(CVAE)を用いることを実証する。 CVAEは非線形時系列をサンプル外予測として生成し、精度が向上し、実際のデータとの相関関係がより緊密になる。
  論文  参考訳（メタデータ） (2024-06-19T13:13:06Z)
• Class-Based Time Series Data Augmentation to Mitigate Extreme Class Imbalance for Solar Flare Prediction [1.4272411349249625]
  時系列データは、さまざまな領域において重要な役割を担い、意思決定と予測モデリングに価値がある。 機械学習(ML)とディープラーニング(DL)はこの点において有望だが、パフォーマンスはデータ品質と量に依存している。 データ拡張技術は、これらの課題に対処するための潜在的な解決策を提供するが、多変量時系列データセットに対するそれらの効果は、まだ探索されていない。
  論文  参考訳（メタデータ） (2024-05-31T03:03:19Z)
• Parallel-friendly Spatio-Temporal Graph Learning for Photovoltaic Degradation Analysis at Scale [7.05651628178945]
  本稿では,太陽光発電(PV)電力網のフラッグレベルの性能解析を行うために,新しい時空間グラフニューラルネットワークを用いたトレンド分析手法(ST-GTrend)を提案する。 我々は,ST-GTrendを3つの大規模PVデータセットで評価した。
  論文  参考訳（メタデータ） (2024-02-13T14:00:59Z)
• Learning When to See for Long-term Traffic Data Collection on Power-constrained Devices [7.712009864814493]
  本稿では,バッテリ駆動デバイスの観測タイミングを戦略的に決定する,新しい学習ベースのフレームワークを提案する。 スパースサンプリングされた観測結果から全データストリームを再構築し,性能損失を最小限に抑える。 RNN予測器と推定器とDRQN(Deep Recurrent Q-Network)コントローラによるPeMSデータに対する提案手法の性能評価を行った。
  論文  参考訳（メタデータ） (2024-01-25T20:50:34Z)
• Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
  天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。 時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。 我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。 提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
  論文  参考訳（メタデータ） (2022-10-02T06:58:49Z)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• STIP: A SpatioTemporal Information-Preserving and Perception-Augmented Model for High-Resolution Video Prediction [78.129039340528]
  本稿では、上記の2つの問題を解決するために、時空間情報保存・知覚拡張モデル(STIP)を提案する。 提案モデルは,特徴抽出と状態遷移中の映像の時間的情報を保存することを目的としている。 実験結果から,提案したSTIPは,様々な最先端手法と比較して,より良好な映像品質で映像を予測できることが示唆された。
  論文  参考訳（メタデータ） (2022-06-09T09:49:04Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。