論文の概要: An Asymmetric Loss with Anomaly Detection LSTM Framework for Power
Consumption Prediction
- arxiv url: http://arxiv.org/abs/2302.10889v1
- Date: Sun, 5 Feb 2023 17:16:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-26 13:48:30.837792
- Title: An Asymmetric Loss with Anomaly Detection LSTM Framework for Power
Consumption Prediction
- Title(参考訳): 消費電力予測のための異常検出LSTMフレームワークを用いた非対称損失
- Authors: Jihan Ghanim, Maha Issa, Mariette Awad
- Abstract要約: 住宅セクターの電力消費パターンには変動や異常が含まれており、予測は困難である。
非対称な損失関数を持つ複数のLong Short-Term Memory (LSTM) フレームワークを提案する。
気候や社会要因の影響を考慮すると、フランス、ドイツ、ハンガリーの3つのデータセットで季節分割が行われる。
- 参考スコア(独自算出の注目度): 1.6156983514505385
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Building an accurate load forecasting model with minimal underpredictions is
vital to prevent any undesired power outages due to underproduction of
electricity. However, the power consumption patterns of the residential sector
contain fluctuations and anomalies making them challenging to predict. In this
paper, we propose multiple Long Short-Term Memory (LSTM) frameworks with
different asymmetric loss functions to impose a higher penalty on
underpredictions. We also apply a density-based spatial clustering of
applications with noise (DBSCAN) anomaly detection approach, prior to the load
forecasting task, to remove any present oultiers. Considering the effect of
weather and social factors, seasonality splitting is performed on the three
considered datasets from France, Germany, and Hungary containing hourly power
consumption, weather, and calendar features. Root-mean-square error (RMSE)
results show that removing the anomalies efficiently reduces the
underestimation and overestimation errors in all the seasonal datasets.
Additionally, asymmetric loss functions and seasonality splitting effectively
minimize underestimations despite increasing the overestimation error to some
degree. Reducing underpredictions of electricity consumption is essential to
prevent power outages that can be damaging to the community.
- Abstract(参考訳): 最小限の低予測で正確な負荷予測モデルを構築することは、電力不足による望ましくない停電を防ぐために不可欠である。
しかし, 住宅セクターの電力消費パターンには変動や異常があり, 予測が困難である。
本稿では,非対称な損失関数を持つ複数のLong Short-Term Memory (LSTM) フレームワークを提案する。
また、負荷予測タスクに先立って、ノイズを伴うアプリケーション(DBSCAN)異常検出手法の密度に基づく空間クラスタリングを適用し、現在のオーラティを除去する。
気象や社会要因の影響を考慮すると、時間ごとの消費電力、天気、暦の特徴を含むフランス、ドイツ、ハンガリーの3つのデータセットで季節分割が行われる。
root-mean-square error (rmse) の結果は、すべての季節的データセットの過大評価と過大評価エラーを効率的に除去することを示している。
さらに、非対称損失関数と季節分割は、過大評価誤差をある程度増大させたにもかかわらず、過小評価を効果的に最小化する。
電力消費の過小予測の削減は、コミュニティに損害を与える可能性のある停電を防ぐために不可欠である。
関連論文リスト
- ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - Kunyu: A High-Performing Global Weather Model Beyond Regression Losses [0.0]
大気変数の包括的配列を0.35デグ分解能で正確に予測する,グローバルなデータ駆動型天気予報モデルであるKunyuについて紹介する。
トレーニングフレームワークにレグレッションと敵の損失が組み込まれ、クンユは明快さとリアリズムを増した予測を生成する。
論文 参考訳(メタデータ) (2023-12-04T17:30:41Z) - Hierarchical Forecasting at Scale [55.658563862299495]
既存の階層予測技術は、時系列の数が増加するとスケールが低下する。
我々は,1つのボトムレベル予測モデルを用いて,数百万の時系列のコヒーレントな予測を学習することを提案する。
欧州の大規模なeコマースプラットフォームであるbolの既存の予測モデルにおいて、スパース階層的損失関数を実装した。
論文 参考訳(メタデータ) (2023-10-19T15:06:31Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - SaDI: A Self-adaptive Decomposed Interpretable Framework for Electric
Load Forecasting under Extreme Events [25.325870546140788]
自己適応型分解解釈フレームワーク(SaDI)という新しい予測フレームワークを提案する。
中央中国の電力負荷と公共エネルギーの計器の実験により、提案されたSaDIフレームワークは平均22.14%の改善が達成された。
論文 参考訳(メタデータ) (2023-06-14T07:11:30Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - Global Extreme Heat Forecasting Using Neural Weather Models [0.0]
熱波は地球温暖化に伴う頻度と重症度の増加を予測している。
本研究では,過去データに基づいて学習した深層学習システムが,短・中・下季節の時間スケールで極端な熱を予測できる可能性を探る。
論文 参考訳(メタデータ) (2022-05-23T00:35:23Z) - Random vector functional link neural network based ensemble deep
learning for short-term load forecasting [14.184042046855884]
本稿では,電力負荷予測のための新しいアンサンブルディープランダム関数リンク(edRVFL)を提案する。
隠されたレイヤは、深い表現学習を強制するために積み上げられます。
モデルは各層の出力をアンサンブルすることで予測を生成する。
論文 参考訳(メタデータ) (2021-07-30T01:20:48Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - Deep Particulate Matter Forecasting Model Using Correntropy-Induced Loss [1.7797683504485504]
大気汚染と気象データの統計的特性を解析するために, 回帰(MCCR)損失の最大コレントロピー基準を用いる。
MCCRの損失は、従来の平均2乗誤差損失よりも、極端な値を予測するのに適切である。
論文 参考訳(メタデータ) (2021-06-06T05:17:24Z)
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。