論文の概要: A Unifying Framework of Attention-based Neural Load Forecasting
- arxiv url: http://arxiv.org/abs/2305.05082v1
- Date: Mon, 8 May 2023 22:46:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 20:01:11.727555
- Title: A Unifying Framework of Attention-based Neural Load Forecasting
- Title(参考訳): 注意に基づく神経負荷予測の統一的枠組み
- Authors: Jing Xiong and Yu Zhang
- Abstract要約: 負荷予測のための統合型ディープラーニングフレームワークを提案する。
これには、時間的な特徴重み付け、階層的時間的注意、特徴強化エラー修正が含まれる。
我々のフレームワークは、電力負荷予測問題に対する効果的な解決策を提供する。
- 参考スコア(独自算出の注目度): 6.470432799969585
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate load forecasting is critical for reliable and efficient planning and
operation of electric power grids. In this paper, we propose a unifying deep
learning framework for load forecasting, which includes time-varying feature
weighting, hierarchical temporal attention, and feature-reinforced error
correction. Our framework adopts a modular design with good generalization
capability. First, the feature-weighting mechanism assigns input features with
temporal weights. Second, a recurrent encoder-decoder structure with
hierarchical attention is developed as a load predictor. The hierarchical
attention enables a similar day selection, which re-evaluates the importance of
historical information at each time step. Third, we develop an error correction
module that explores the errors and learned feature hidden information to
further improve the model's forecasting performance. Experimental results
demonstrate that our proposed framework outperforms existing methods on two
public datasets and performance metrics, with the feature weighting mechanism
and error correction module being critical to achieving superior performance.
Our framework provides an effective solution to the electric load forecasting
problem, which can be further adapted to many other forecasting tasks.
- Abstract(参考訳): 電力グリッドの信頼性と効率的な計画と運用には,正確な負荷予測が重要である。
本稿では,時間的特徴重み付け,階層的時間的注意,特徴強化誤り訂正を含む,負荷予測のための統一的なディープラーニングフレームワークを提案する。
我々のフレームワークは、優れた一般化機能を備えたモジュラーデザインを採用しています。
まず、特徴重み付け機構は、入力特徴に時間重みを割り当てる。
次に,負荷予測器として階層的注意を伴う再帰エンコーダデコーダ構造を開発した。
階層的な注目は、同じ日の選択を可能にし、各時点における歴史的情報の重要性を再評価する。
第3に,エラーを探索し,隠れた情報を学習し,モデルの予測性能をさらに向上させるエラー訂正モジュールを開発した。
実験の結果,提案手法は2つの公開データセットとパフォーマンス指標の既存手法を上回っており,機能重み付け機構とエラー訂正モジュールが性能向上に不可欠であることが判明した。
このフレームワークは、電力負荷予測問題に対する効果的なソリューションを提供し、他の多くの予測タスクにさらに適応することができる。
関連論文リスト
- Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。
注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
論文 参考訳(メタデータ) (2024-09-20T07:41:47Z) - Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。
本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
論文 参考訳(メタデータ) (2024-08-24T18:28:19Z) - Spatiotemporal Observer Design for Predictive Learning of
High-Dimensional Data [6.214987339902511]
オブザーバ理論を指導したStemporalと呼ばれるディープラーニングアーキテクチャは、オブザーバの高次元データを予測学習するために設計されている。
このフレームワークは、一段階と多段階の両方のシナリオで正確な予測を行う時間的ダイナミクスをキャプチャすることができる。
論文 参考訳(メタデータ) (2024-02-23T12:28:31Z) - Enhanced LFTSformer: A Novel Long-Term Financial Time Series Prediction Model Using Advanced Feature Engineering and the DS Encoder Informer Architecture [0.8532753451809455]
本研究では,拡張LFTSformerと呼ばれる長期金融時系列の予測モデルを提案する。
このモデルは、いくつかの重要なイノベーションを通じて、自分自身を区別する。
さまざまなベンチマークストックマーケットデータセットに関するシステマティックな実験は、強化LFTSformerが従来の機械学習モデルより優れていることを示している。
論文 参考訳(メタデータ) (2023-10-03T08:37:21Z) - Short-Term Load Forecasting Using A Particle-Swarm Optimized Multi-Head
Attention-Augmented CNN-LSTM Network [0.0]
電力系統の効率的な運用と計画において、短期負荷予測が最重要となる。
ディープラーニングの最近の進歩は、この問題に対処する上で有望であることを示している。
これらの障害を克服する新しいソリューションを提案します。
論文 参考訳(メタデータ) (2023-09-07T13:06:52Z) - EvCenterNet: Uncertainty Estimation for Object Detection using
Evidential Learning [26.535329379980094]
EvCenterNetは、新しい不確実性を認識した2Dオブジェクト検出フレームワークである。
分類と回帰の不確実性の両方を推定するために、顕在的学習を用いる。
我々は、KITTIデータセット上でモデルをトレーニングし、配布外のデータセットに挑戦して評価する。
論文 参考訳(メタデータ) (2023-03-06T11:07:11Z) - Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。
合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
論文 参考訳(メタデータ) (2023-02-23T18:57:14Z) - Robust Graph Representation Learning via Predictive Coding [46.22695915912123]
予測符号化は、当初脳の情報処理をモデル化するために開発されたメッセージパッシングフレームワークである。
本研究では,予測符号化のメッセージパス規則に依存するモデルを構築する。
提案したモデルは,帰納的タスクと帰納的タスクの両方において,標準的なモデルに匹敵する性能を示す。
論文 参考訳(メタデータ) (2022-12-09T03:58:22Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳(メタデータ) (2021-12-15T20:09:20Z) - Forethought and Hindsight in Credit Assignment [62.05690959741223]
我々は、前向きモデルや後向きモデルによる後向き操作による予測として使われる計画の利益と特異性を理解するために活動する。
本稿では,予測を(再)評価すべき状態の選択に主眼を置いて,計画におけるモデルの利用について検討する。
論文 参考訳(メタデータ) (2020-10-26T16:00:47Z)
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。