論文の概要: Building Energy Efficiency through Advanced Regression Models and Metaheuristic Techniques for Sustainable Management
- arxiv url: http://arxiv.org/abs/2305.08886v2
- Date: Wed, 20 Mar 2024 18:29:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-22 20:29:39.978839
- Title: Building Energy Efficiency through Advanced Regression Models and Metaheuristic Techniques for Sustainable Management
- Title（参考訳）: 高度回帰モデルと持続管理のためのメタヒューリスティック手法によるエネルギー効率の構築
- Authors: Hamed Khosravi, Hadi Sahebi, Rahim khanizad, Imtiaz Ahmed,
- Abstract要約: この研究は、建設インフラからの広範な生データを活用して、エネルギー消費パターンを明らかにする。
ラッソ回帰, 決定木, ランダムフォレストモデルを用いて, 建物のエネルギー効率とコスト削減に影響を与える要因について検討した。
メタヒューリスティックな手法を用いて決定木アルゴリズムを改良し,予測精度を向上する。
- 参考スコア（独自算出の注目度）: 3.6811136816751513
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In the context of global sustainability, buildings are significant consumers of energy, emphasizing the necessity for innovative strategies to enhance efficiency and reduce environmental impact. This research leverages extensive raw data from building infrastructures to uncover energy consumption patterns and devise strategies for optimizing resource use. We investigate the factors influencing energy efficiency and cost reduction in buildings, utilizing Lasso Regression, Decision Tree, and Random Forest models for accurate energy use forecasting. Our study delves into the factors affecting energy utilization, focusing on primary fuel and electrical energy, and discusses the potential for substantial cost savings and environmental benefits. Significantly, we apply metaheuristic techniques to enhance the Decision Tree algorithm, resulting in improved predictive precision. This enables a more nuanced understanding of the characteristics of buildings with high and low energy efficiency potential. Our findings offer practical insights for reducing energy consumption and operational costs, contributing to the broader goals of sustainable development and cleaner production. By identifying key drivers of energy use in buildings, this study provides a valuable framework for policymakers and industry stakeholders to implement cleaner and more sustainable energy practices.
- Abstract（参考訳）: 世界的持続可能性の文脈では、建物はエネルギーの重要な消費者であり、効率を高め環境への影響を減らす革新的な戦略の必要性を強調している。
本研究は, 建設インフラから得られた広範囲な生データを利用して, エネルギー消費パターンを明らかにし, 資源利用を最適化するための戦略を考案する。
本研究では, エネルギー利用予測の精度向上のために, ラッソ回帰, 決定木, ランダムフォレストモデルを用いて, 建物のエネルギー効率とコスト削減に影響を与える要因について検討する。
本研究は, エネルギー利用に影響を及ぼす要因を考察し, 原燃料と電気エネルギーに焦点をあて, 大幅なコスト削減と環境効果の可能性について考察した。
ここではメタヒューリスティックな手法を用いて決定木アルゴリズムを改良し,予測精度を向上する。
これにより、高エネルギー効率・低エネルギー能を有する建物の特性をより微妙に理解することができる。
本研究は, 持続可能な開発とクリーンな生産という幅広い目標に寄与し, エネルギー消費と運用コストを削減するための実用的な知見を提供する。
この研究は、建物におけるエネルギー利用の鍵となる要因を特定することによって、政策立案者や業界のステークホルダーがよりクリーンで持続可能なエネルギープラクティスを実装するための貴重な枠組みを提供する。
関連論文リスト
- Just In Time Transformers [2.7350304370706797]
JITtransは,エネルギー消費予測精度を大幅に向上させる,トランスフォーマー深層学習モデルである。
本研究は, エネルギー管理を革新し, 持続可能な電力システムを構築するための先進的な予測技術の可能性を明らかにするものである。
論文 参考訳（メタデータ） (2024-10-22T10:33:00Z) - TRIZ Method for Urban Building Energy Optimization: GWO-SARIMA-LSTM Forecasting model [0.34028430825850625]
本研究では, TRIZのイノベーション理論をGWO, SARIMA, LSTMと組み合わせたハイブリッドディープラーニングモデルを提案する。
本実験は,既存モデルと比較して予測誤差が15%減少することを示す。
論文 参考訳（メタデータ） (2024-10-20T04:46:42Z) - AI-Driven Approaches for Optimizing Power Consumption: A Comprehensive Survey [0.0]
電力最適化が重要である主な理由は、環境効果の低減、運転コストの低減、安定的で持続可能なエネルギー供給である。
電力最適化と人工知能(AI)の統合は、エネルギーの生成、使用、分散の方法を変えるために不可欠である。
AI駆動のアルゴリズムと予測分析によって、電力使用傾向のリアルタイム監視と分析が可能になる。
論文 参考訳（メタデータ） (2024-06-22T04:42:37Z) - Watt For What: Rethinking Deep Learning's Energy-Performance Relationship [13.505163099299025]
深層学習モデルのモデル精度と消費電力のトレードオフについて検討する。
使用電力単位当たりの精度を評価することにより、より小型でエネルギー効率の高いモデルが研究を著しく高速化できることを示す。
この研究は、より公平な研究環境に寄与し、より小さなエンティティはより大きなエンティティと効果的に競合できる。
論文 参考訳（メタデータ） (2023-10-10T11:08:31Z) - Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。
本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。
評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
論文 参考訳（メタデータ） (2023-07-14T06:50:02Z) - Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A
Multi-Agent Reinforcement Learning Approach [48.18355658448509]
生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。
地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。
本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-17T02:12:30Z) - Distributed Energy Management and Demand Response in Smart Grids: A
Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。
特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
論文 参考訳（メタデータ） (2022-11-29T01:18:58Z) - Compute and Energy Consumption Trends in Deep Learning Inference [67.32875669386488]
コンピュータビジョンと自然言語処理の分野における関連モデルについて検討する。
継続的な性能向上のために、これまで予想されていたよりもエネルギー消費の軟化が見られた。
論文 参考訳（メタデータ） (2021-09-12T09:40:18Z) - Data-driven optimization of building layouts for energy efficiency [0.0]
本稿では,この関係に基づいて照明システムのエネルギー消費をシミュレーションし,照明ゾーンエネルギーをゾーンレベルの占有動態に関連付ける手法を提案する。
本研究は, 利用者の日程の不均質な行動が, 高可制御性照明システムのエネルギー消費と正の相関関係があることを事例として明らかにした。
さらに,データ駆動型シミュレーションにより,165人からなる実オフィススペースの既設レイアウトと比較して,ナイーブなクラスタリングに基づく最適化と遺伝的アルゴリズムがエネルギー消費を約5%削減するレイアウトを生成することがわかった。
論文 参考訳（メタデータ） (2020-07-24T22:58:16Z) - Towards the Systematic Reporting of the Energy and Carbon Footprints of
Machine Learning [68.37641996188133]
我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。
エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。
炭素排出量削減とエネルギー消費削減のための戦略を提案する。
論文 参考訳（メタデータ） (2020-01-31T05:12:59Z) - NeurOpt: Neural network based optimization for building energy
management and climate control [58.06411999767069]
モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。
イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
論文 参考訳（メタデータ） (2020-01-22T00:51:03Z)
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。