論文の概要: BUAA_BIGSCity: Spatial-Temporal Graph Neural Network for Wind Power Forecasting in Baidu KDD CUP 2022

• arxiv url: http://arxiv.org/abs/2302.11159v1
• Date: Wed, 22 Feb 2023 05:47:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-23 16:17:49.825391
• Title: BUAA_BIGSCity: Spatial-Temporal Graph Neural Network for Wind Power Forecasting in Baidu KDD CUP 2022
• Title（参考訳）: BUAA_BIGSCity:Baidu KDD CUP 2022における風力発電予測のための時空間グラフニューラルネットワーク
• Authors: Jiawei Jiang, Chengkai Han, Jingyuan Wang
• Abstract要約: Baidu KDD Cup 2022 Space Dynamic Wind Power Forecasting Challenge について述べる。 我々は2つの時空間グラフニューラルネットワークモデル、すなわちAGCRNとMTGNNを基本モデルとして採用する。 私たちの方法では、テストセットで-45.36026を達成しています。
• 参考スコア（独自算出の注目度）: 22.15262401549984
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this technical report, we present our solution for the Baidu KDD Cup 2022 Spatial Dynamic Wind Power Forecasting Challenge. Wind power is a rapidly growing source of clean energy. Accurate wind power forecasting is essential for grid stability and the security of supply. Therefore, organizers provide a wind power dataset containing historical data from 134 wind turbines and launch the Baidu KDD Cup 2022 to examine the limitations of current methods for wind power forecasting. The average of RMSE (Root Mean Square Error) and MAE (Mean Absolute Error) is used as the evaluation score. We adopt two spatial-temporal graph neural network models, i.e., AGCRN and MTGNN, as our basic models. We train AGCRN by 5-fold cross-validation and additionally train MTGNN directly on the training and validation sets. Finally, we ensemble the two models based on the loss values of the validation set as our final submission. Using our method, our team \team achieves -45.36026 on the test set. We release our codes on Github (https://github.com/BUAABIGSCity/KDDCUP2022) for reproduction.
• Abstract（参考訳）: 本稿では,Baidu KDD Cup 2022 Space Dynamic Wind Power Forecasting Challengeについて述べる。 風力発電はクリーンエネルギーの急速な成長源である。 グリッドの安定性と供給の安全性には正確な風力予測が不可欠である。 そのため、組織は134基の風力タービンの履歴データを含む風力データセットを提供し、現在の風力予測方法の限界を調べるためにBaidu KDD Cup 2022をローンチする。 評価スコアはRMSE(Root Mean Square Error)とMAE(Mean Absolute Error)の平均値を用いる。 我々は2つの時空間グラフニューラルネットワークモデル、すなわちAGCRNとMTGNNを基本モデルとして採用する。 AGCRNを5倍のクロスバリデーションでトレーニングし、MTGNNをトレーニングと検証セットで直接トレーニングする。 最後に,検証セットの損失値に基づく2つのモデルを最終提案としてアンサンブルする。 我々のチーム \team はテストセットで -45.36026 を達成する。 私たちはGithub(https://github.com/BUAABIGSCity/KDDCUP2022)でコードを公開しています。

関連論文リスト

• TCNFormer: Temporal Convolutional Network Former for Short-Term Wind Speed Forecasting [9.47727784069628]
  本研究は,短期(12時間)の風速予測のための時間的コンテンポラル前駆体 (TCNFormer) を提案する。 以上の結果から,TNFormerは予測精度において最先端モデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-08-27T15:35:42Z)
• WindDragon: Enhancing wind power forecasting with Automated Deep Learning [0.5755004576310334]
  本稿では,国家レベルでの短期(1～6時間地平線)風力予測への革新的アプローチを提案する。 この手法は,風速マップと数値気象予測を組み合わせた自動ディープラーニングを利用して,風力の正確な予測を行う。
  論文  参考訳（メタデータ） (2024-02-22T08:55:21Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Application of BERT in Wind Power Forecasting-Teletraan's Solution in Baidu KDD Cup 2022 [0.0]
  Baidu KDDカップ2022に適用されるBERTモデルを紹介する。 日次変動は後処理によって追加され、予測結果を日次周期に合わせる。 私たちのソリューションは2490チームの3位を獲得します。
  論文  参考訳（メタデータ） (2023-07-18T13:28:30Z)
• WEDGE: A multi-weather autonomous driving dataset built from generative vision-language models [51.61662672912017]
  本稿では,視覚言語生成モデルを用いて生成した合成データセットWEDGEを紹介する。 WEDGEは16の極度の気象条件で3360枚の画像で構成され、16513個の境界ボックスを手動で注釈付けしている。 53.87%の検定精度と45.41mAPで分類・検出のためのベースライン性能を確立した。
  論文  参考訳（メタデータ） (2023-05-12T14:42:47Z)
• KDD CUP 2022 Wind Power Forecasting Team 88VIP Solution [12.78127754761155]
  本稿では,主に2種類のモデルからなるTeam 88VIPのソリューションについて述べる。 提案手法は第3相のオンラインスコア-45.213を総合的に達成する。
  論文  参考訳（メタデータ） (2022-08-18T16:46:50Z)
• SDWPF: A Dataset for Spatial Dynamic Wind Power Forecasting Challenge at KDD Cup 2022 [42.72560292756442]
  本稿では,一意な空間風力予測データセットであるSDWPFを提案する。 このデータセットは風力タービンの空間分布と動的文脈因子を含む。 このデータセットを使用して、Baidu KDD Cup 2022をローンチし、現在のWPFソリューションの限界を調べます。
  論文  参考訳（メタデータ） (2022-08-08T18:38:45Z)
• Workshop on Autonomous Driving at CVPR 2021: Technical Report for Streaming Perception Challenge [57.647371468876116]
  本稿では,現実的な自律運転シナリオのためのリアルタイム2次元物体検出システムについて紹介する。 私たちの検出器は、YOLOXと呼ばれる新しい設計のYOLOモデルで構築されています。 Argoverse-HDデータセットでは,検出のみのトラック/トラックで2位を7.8/6.1上回る41.0ストリーミングAPを達成した。
  論文  参考訳（メタデータ） (2021-07-27T06:36:06Z)
• Two-Stream Consensus Network: Submission to HACS Challenge 2021 Weakly-Supervised Learning Track [78.64815984927425]
  弱い監督による時間的行動ローカライゼーションの目標は、ビデオの興味ある動作を時間的に特定し、分類することである。 この課題では,2ストリームコンセンサスネットワーク(TSCN)を主要なフレームワークとして採用しています。 この課題では,本手法が今後の学術研究のベースラインとなることを期待して,第2位にランクインした。
  論文  参考訳（メタデータ） (2021-06-21T03:36:36Z)
• MSNet: A Multilevel Instance Segmentation Network for Natural Disaster Damage Assessment in Aerial Videos [74.22132693931145]
  本研究では, ハリケーン, 洪水, 火災などの自然災害後の建物被害を効率的に評価する課題について検討する。 最初のコントリビューションは、ソーシャルメディアからユーザ生成された空中ビデオと、インスタンスレベルのビルディング損傷マスクのアノテーションで構成される、新しいデータセットである。 第二のコントリビューションはMSNetと呼ばれる新しいモデルで、新しい領域の提案ネットワーク設計を含んでいる。
  論文  参考訳（メタデータ） (2020-06-30T02:23:05Z)

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。