論文の概要: Comparing Long Short-Term Memory (LSTM) and Bidirectional LSTM Deep
Neural Networks for power consumption prediction
- arxiv url: http://arxiv.org/abs/2305.16546v1
- Date: Fri, 26 May 2023 00:12:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-29 17:37:26.376239
- Title: Comparing Long Short-Term Memory (LSTM) and Bidirectional LSTM Deep
Neural Networks for power consumption prediction
- Title（参考訳）: 消費電力予測のための長短期記憶(LSTM)と双方向LSTMディープニューラルネットワークの比較
- Authors: Davi Guimar\~aes da Silva, Anderson Alvarenga de Moura Meneses
- Abstract要約: 本研究の目的は,2つのディープラーニングモデル,すなわちLong Short-Term Memory (LSTM) と双方向LSTMの比較である。
データセットは異なるコンテキストとスケールで選択され、モデルの堅牢性の評価を目的としていた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Electric consumption prediction methods are investigated for many reasons
such as decision-making related to energy efficiency as well as for
anticipating demand in the energy market dynamics. The objective of the present
work is the comparison between two Deep Learning models, namely the Long
Short-Term Memory (LSTM) and Bi-directional LSTM (BLSTM) for univariate
electric consumption Time Series (TS) short-term forecast. The Data Sets (DSs)
were selected for their different contexts and scales, aiming the assessment of
the models' robustness. Four DSs were used, related to the power consumption
of: (a) a household in France; (b) a university building in Santar\'em, Brazil;
(c) the T\'etouan city zones, in Morocco; and (c) the Singapore aggregated
electric demand. The metrics RMSE, MAE, MAPE and R2 were calculated in a TS
cross-validation scheme. The Friedman's test was applied to normalized RMSE
(NRMSE) results, showing that BLSTM outperforms LSTM with statistically
significant difference (p = 0.0455), corroborating the fact that bidirectional
weight updating improves significantly the LSTM performance concerning
different scales of electric power consumption.
- Abstract（参考訳）: 電力消費予測手法は、エネルギー効率に関する意思決定や、エネルギー市場の動態における需要予測など、様々な理由から検討されている。
本研究の目的は、単変量電気消費時系列(TS)の短期予測において、Long Short-Term Memory(LSTM)とBi-directional LSTM(BLSTM)の2つのディープラーニングモデルの比較である。
データセット(DS)は、異なるコンテキストとスケールで選択され、モデルの堅牢性の評価を目的としている。
電力消費に関する4つのDSが使用された。
(a)フランスの世帯
(b)ブラジルのサンタジェムにある大学ビル
(c)モロッコの T'etouan city zones、及び
(c)シンガポールは電気需要を集約した。
測定値 rmse, mae, mape, r2 をtsクロスバリデーション方式で計算した。
フリードマンの試験は正規化rmse (nrmse) の結果に適用され、blstmは統計的に有意な差(p = 0.0455)を持つlstmよりも優れており、双方向の重み付け更新によって電力消費の異なるスケールでのlstm性能が大幅に向上するという事実を裏付けるものであった。
関連論文リスト
- Short-Term Electricity Demand Forecasting of Dhaka City Using CNN with Stacked BiLSTM [0.471858286267785]
本稿では,ダッカ市の電力需要を短時間で正確に予測するために,畳み込みニューラルネットワーク(CNN)と積み重ねた双方向長短項メモリ(BiLSTM)アーキテクチャのハイブリッドモデルを提案する。
提案手法は,MAPE 1.64%,MSE 0.015,RMSE 0.122,MAE 0.092の他のベンチマークモデルと比較して,最高の予測結果を得た。
論文 参考訳（メタデータ） (2024-06-10T09:02:07Z) - Semi-Federated Learning: Convergence Analysis and Optimization of A
Hybrid Learning Framework [70.83511997272457]
本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。
我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
論文 参考訳（メタデータ） (2023-10-04T03:32:39Z) - Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。
マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。
シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文 参考訳（メタデータ） (2023-09-16T11:37:23Z) - DECODE: Data-driven Energy Consumption Prediction leveraging Historical
Data and Environmental Factors in Buildings [1.2891210250935148]
本稿では,建築エネルギー消費の予測を目的としたLong Short-Term Memory (LSTM)モデルを提案する。
LSTMモデルは、住宅や商業ビルの正確な短時間、中長期のエネルギー予測を提供する。
これは例外的な予測精度を示し、R2スコアは0.97で、平均絶対誤差(MAE)は0.007である。
論文 参考訳（メタデータ） (2023-09-06T11:02:53Z) - Short-term Prediction of Household Electricity Consumption Using
Customized LSTM and GRU Models [5.8010446129208155]
本稿では,GRU (Gated Recurrent Unit) とLong Short-Term Memory (LSTM) アーキテクチャを提案する。
電力消費データセットは家庭ごとのスマートメーターから得られた。
論文 参考訳（メタデータ） (2022-12-16T23:42:57Z) - Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。
本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文 参考訳（メタデータ） (2022-08-28T17:50:19Z) - Mitigating Out-of-Distribution Data Density Overestimation in
Energy-Based Models [54.06799491319278]
深部エネルギーベースモデル(EBM)は、複雑な分布を学習する能力によって注目されている。
EBMの訓練には、Langevin Monte Carlo (LMC) を用いた最大推定(MLE)を用いることが多い。
短周期LCCのMLEが, 誤った密度推定でEMMに収束する理由を考察する。
論文 参考訳（メタデータ） (2022-05-30T02:49:17Z) - National-scale electricity peak load forecasting: Traditional, machine
learning, or hybrid model? [0.0]
本研究は,韓国における最も正確なピーク負荷予測モデルを決定するための比較分析を行う。
その結果,ハイブリッドモデルはSARIMAXモデルよりも大幅に改善されていることがわかった。
2019年の韓国最高負荷の場合、LSTMモデルの予測能力は、SARIMAX-LSTMモデルよりも大きかった。
論文 参考訳（メタデータ） (2021-06-30T15:17:23Z) - Energy-Based Reranking: Improving Neural Machine Translation Using
Energy-Based Models [59.039592890187144]
自己回帰型ニューラルネットワーク翻訳(NMT)における最大推定(MLE)とBLEUスコアなどのタスク尺度の相違について検討する。
MLEベースのトレーニングされたNMTから引き出されたサンプルは、所望の分布をサポートします。ビーム復号出力と比較して、BLEUスコアがはるかに高いサンプルがあります。
目的文の辺縁エネルギーモデルと、目的文の辺縁エネルギーモデルの両方を用いてアルゴリズムを改良する。
論文 参考訳（メタデータ） (2020-09-20T02:50:52Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
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。