論文の概要: DA-LSTM: A Dynamic Drift-Adaptive Learning Framework for Interval Load Forecasting with LSTM Networks

• arxiv url: http://arxiv.org/abs/2305.08767v1
• Date: Mon, 15 May 2023 16:26:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-16 13:47:07.124218
• Title: DA-LSTM: A Dynamic Drift-Adaptive Learning Framework for Interval Load Forecasting with LSTM Networks
• Title（参考訳）: DA-LSTM:LSTMネットワークを用いた動的ドリフト適応学習フレームワーク
• Authors: Firas Bayram, Phil Aupke, Bestoun S. Ahmed, Andreas Kassler, Andreas Theocharis, Jonas Forsman
• Abstract要約: ドリフト等級閾値は、ドリフトを識別するための変化検出方法を設計するために定義されるべきである。 本稿では,負荷予測モデルの性能向上を図るための動的ドリフト適応長短期メモリ(DA-LSTM)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.3342521220589318
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Load forecasting is a crucial topic in energy management systems (EMS) due to its vital role in optimizing energy scheduling and enabling more flexible and intelligent power grid systems. As a result, these systems allow power utility companies to respond promptly to demands in the electricity market. Deep learning (DL) models have been commonly employed in load forecasting problems supported by adaptation mechanisms to cope with the changing pattern of consumption by customers, known as concept drift. A drift magnitude threshold should be defined to design change detection methods to identify drifts. While the drift magnitude in load forecasting problems can vary significantly over time, existing literature often assumes a fixed drift magnitude threshold, which should be dynamically adjusted rather than fixed during system evolution. To address this gap, in this paper, we propose a dynamic drift-adaptive Long Short-Term Memory (DA-LSTM) framework that can improve the performance of load forecasting models without requiring a drift threshold setting. We integrate several strategies into the framework based on active and passive adaptation approaches. To evaluate DA-LSTM in real-life settings, we thoroughly analyze the proposed framework and deploy it in a real-world problem through a cloud-based environment. Efficiency is evaluated in terms of the prediction performance of each approach and computational cost. The experiments show performance improvements on multiple evaluation metrics achieved by our framework compared to baseline methods from the literature. Finally, we present a trade-off analysis between prediction performance and computational costs.
• Abstract（参考訳）: 負荷予測は、エネルギースケジューリングの最適化とより柔軟でインテリジェントな電力グリッドシステムの実現において重要な役割を担っているため、エネルギー管理システム(ems)において重要なトピックである。 これらのシステムにより、電力事業者は電力市場の需要に迅速に対応できる。 ディープラーニング(DL)モデルは、コンセプトドリフトとして知られる顧客による消費パターンの変化に対応するために、適応メカニズムによって支持される負荷予測問題に一般的に採用されている。 ドリフト等級閾値は、ドリフトを識別するための変化検出方法を設計するために定義されるべきである。 負荷予測問題におけるドリフトマグニチュードは、時間とともに大きく変化するが、既存の文献では、システム進化中に固定されるよりも動的に調整されるべき、固定ドリフトマグニチュード閾値を仮定することが多い。 本稿では,負荷予測モデルの性能をドリフトしきい値の設定を必要とせずに向上させることができる動的ドリフト適応長短期記憶(DA-LSTM)フレームワークを提案する。 能動的および受動的適応アプローチに基づくフレームワークに,いくつかの戦略を統合する。 実生活環境でのDA-LSTMを評価するため,提案したフレームワークを徹底的に分析し,クラウドベースの環境を通じて現実の問題に展開する。 効率は、各アプローチの予測性能と計算コストの観点から評価される。 実験では,複数の評価指標における性能改善について,文献のベースライン法と比較検討した。 最後に,予測性能と計算コストのトレードオフ分析について述べる。

関連論文リスト

• A Unified Energy Management Framework for Multi-Timescale Forecasting in Smart Grids [2.9934171338140425]
  時系列データの中間および長期の依存関係を正確に把握することは困難である。 本稿では、時間的位置符号化層を備えた新しいアーキテクチャにより、その依存性を捉えるマルチスケール電力負荷予測フレームワークであるMulti-pofoを提案する。
  論文  参考訳（メタデータ） (2024-11-22T08:45:41Z)
• Deep Analysis of Time Series Data for Smart Grid Startup Strategies: A Transformer-LSTM-PSO Model Approach [0.8702432681310401]
  Transformer-LSTM-PSOモデルはグリッド起動方式における複雑な時間的関係をより効果的に捉えるように設計されている。 Modelは、既存のベンチマークと比較して、複数のデータセットにわたるRMSEとMAE値の低い値を達成する。 Transformer-LSTM-PSOモデルの適用は、スマートグリッド予測分析の大幅な進歩を示している。
  論文  参考訳（メタデータ） (2024-08-22T04:52:02Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Optimization of geological carbon storage operations with multimodal latent dynamic model and deep reinforcement learning [1.8549313085249324]
  本稿では,高速フロー予測とGCSの制御最適化のためのディープラーニングフレームワークであるMLDモデルを紹介する。 既存のモデルとは異なり、MDDは多様な入力モダリティをサポートし、包括的なデータインタラクションを可能にする。 この手法は従来の手法よりも優れており、計算資源を60%以上削減し、最も高いNPVを達成する。
  論文  参考訳（メタデータ） (2024-06-07T01:30:21Z)
• Differential Evolution Algorithm based Hyper-Parameters Selection of Transformer Neural Network Model for Load Forecasting [0.0]
  トランスフォーマーモデルは、そのアテンションメカニズムから派生した長距離依存を学習できるため、ロード予測を改善する可能性がある。 我々の研究は,平均二乗誤差 (MSE) や平均絶対パーセンテージ誤差 (MAPE) といった数値に基づく負荷予測において,異なるメタヒューリスティックアルゴリズムと統合されたトランスフォーマーベースニューラルネットワークモデルを比較した。
  論文  参考訳（メタデータ） (2023-07-28T04:29:53Z)
• Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
  消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。 我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。 提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-03-28T00:23:23Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• 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)
• An Adaptive Deep Learning Framework for Day-ahead Forecasting of Photovoltaic Power Generation [0.8702432681310401]
  本稿では,従来のデータから一般知識を取得するだけでなく,新たなデータから特定の知識を動的に学習するDLフレームワークである適応LSTM(AD-LSTM)モデルを提案する。 開発したAD-LSTMモデルは,特にコンセプトドリフトの存在下で,オフラインのLSTMモデルよりも高い予測能力を示す。
  論文  参考訳（メタデータ） (2021-09-28T02:39:56Z)
• Autoregressive Dynamics Models for Offline Policy Evaluation and Optimization [60.73540999409032]
  表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。 また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-28T16:48:44Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。