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
- 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) - Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。
新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文 参考訳(メタデータ) (2023-07-17T11:04:27Z) - 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) - DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and
Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。
我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。
本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文 参考訳(メタデータ) (2022-09-26T21:59:14Z) - 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) - Financial Time Series Data Augmentation with Generative Adversarial
Networks and Extended Intertemporal Return Plots [2.365537081046599]
データ拡張作業に最先端の画像ベース生成モデルを適用した。
時系列の新しい画像表現である拡張時空間回帰プロット(XIRP)を導入する。
提案手法は,金融データセットの79%に対して,リターン予測誤差を7%削減できることを示す。
論文 参考訳(メタデータ) (2022-05-18T13:39:27Z) - Achieving an Accurate Random Process Model for PV Power using Cheap
Data: Leveraging the SDE and Public Weather Reports [0.0]
PV電力の正確なSDEモデルは、低解像度の公共天気予報からの安価なデータのみを使用することで構築できる。
提案手法は,最先端のディープラーニングに基づく時系列予測手法よりも優れている。
論文 参考訳(メタデータ) (2021-11-27T04:34:02Z) - A Principled Approach to Data Valuation for Federated Learning [73.19984041333599]
フェデレートラーニング(FL)は、分散データソース上で機械学習(ML)モデルをトレーニングする一般的なテクニックである。
Shapley value (SV) はデータ値の概念として多くのデシラタを満たすユニークなペイオフスキームを定義する。
本稿では,FL に対応する SV の変種を提案する。
論文 参考訳(メタデータ) (2020-09-14T04:37:54Z) - 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。