論文の概要: Continually learning out-of-distribution spatiotemporal data for robust energy forecasting

• arxiv url: http://arxiv.org/abs/2306.06385v1
• Date: Sat, 10 Jun 2023 09:12:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-13 19:13:59.332872
• Title: Continually learning out-of-distribution spatiotemporal data for robust energy forecasting
• Title（参考訳）: 頑健なエネルギー予測のための配電時空間データ連続学習
• Authors: Arian Prabowo, Kaixuan Chen, Hao Xue, Subbu Sethuvenkatraman, Flora D. Salim
• Abstract要約: エネルギー利用は持続可能性の向上と廃棄物の削減に不可欠である。 異常期間におけるエネルギー利用予測は、占有パターンの変化とエネルギー利用行動のために困難である。 オンライン学習はこの課題に対する有望な解決策として浮上した。 提案手法の有効性を検証するために, 6棟の建物からのデータを用いて実験を行った。
• 参考スコア（独自算出の注目度）: 9.904633213444448
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forecasting building energy usage is essential for promoting sustainability and reducing waste, as it enables building managers to optimize energy consumption and reduce costs. This importance is magnified during anomalous periods, such as the COVID-19 pandemic, which have disrupted occupancy patterns and made accurate forecasting more challenging. Forecasting energy usage during anomalous periods is difficult due to changes in occupancy patterns and energy usage behavior. One of the primary reasons for this is the shift in distribution of occupancy patterns, with many people working or learning from home. This has created a need for new forecasting methods that can adapt to changing occupancy patterns. Online learning has emerged as a promising solution to this challenge, as it enables building managers to adapt to changes in occupancy patterns and adjust energy usage accordingly. With online learning, models can be updated incrementally with each new data point, allowing them to learn and adapt in real-time. Another solution is to use human mobility data as a proxy for occupancy, leveraging the prevalence of mobile devices to track movement patterns and infer occupancy levels. Human mobility data can be useful in this context as it provides a way to monitor occupancy patterns without relying on traditional sensors or manual data collection methods. We have conducted extensive experiments using data from six buildings to test the efficacy of these approaches. However, deploying these methods in the real world presents several challenges.
• Abstract（参考訳）: 建設管理者がエネルギー消費を最適化しコストを削減できるため、建設エネルギー利用の予測は持続可能性の向上と廃棄物削減に不可欠である。 この重要性は、新型コロナウイルス(COVID-19)のパンデミックなど異常な期間に拡大され、占有パターンを乱し、正確な予測をより困難にしている。 異常期間におけるエネルギー利用予測は、占有パターンの変化とエネルギー利用行動のために困難である。 この主な理由の1つは、多くの人々が在宅勤務や家庭から学んでいる、占有パターンの分布の変化である。 これにより、占有パターンの変化に適応できる新しい予測方法の必要性が生まれました。 オンライン学習はこの課題に対する有望な解決策として現れており、ビルマネージャが占有パターンの変化に適応し、それに応じてエネルギー使用量を調整することができる。 オンライン学習では、モデルを新しいデータポイントごとにインクリメンタルに更新することで、学習と適応をリアルタイムで行うことができる。 もう1つの解決策は、人の移動データを占有率のプロキシとして使用し、モバイルデバイスの普及を利用して移動パターンを追跡し、占有率を推測することである。 人間の移動データは、従来のセンサーや手動のデータ収集方法に頼ることなく、占有パターンを監視する方法を提供するので、この文脈で有用である。 これらの手法の有効性を試すために,6棟からのデータを用いて広範囲にわたる実験を行った。 しかし、これらのメソッドを現実世界にデプロイすることには、いくつかの課題がある。

関連論文リスト

• Deep Temporal Deaggregation: Large-Scale Spatio-Temporal Generative Models [5.816964541847194]
  本稿では,最新技術よりもパフォーマンスとスケールが大幅に向上する時系列の変圧器に基づく拡散モデルTDDPMを提案する。 これは、いくつかのシーケンス長、標準データセット、評価尺度にまたがる新しい包括的なベンチマークで評価される。
  論文  参考訳（メタデータ） (2024-06-18T09:16:11Z)
• Room Occupancy Prediction: Exploring the Power of Machine Learning and Temporal Insights [0.0]
  建物内のエネルギーの保全は、温室効果ガスの排出と気候変動との戦いにとって最重要課題である。 本研究では,多様な機械学習モデルを活用するルーム占有率の予測フレームワークを提案する。 エネルギー効率の良いプラクティスとルーム占有管理を形成する上での機械学習の約束を強調します。
  論文  参考訳（メタデータ） (2023-12-22T04:16:34Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Transfer Learning in Transformer-Based Demand Forecasting For Home Energy Management System [4.573008040057806]
  複数の世帯からのデータを活用して、単一世帯の負荷予測を改善することで、トランスファーラーニングがいかに役立つかを分析する。 具体的には、複数の異なる世帯のデータを用いて高度な予測モデルをトレーニングし、限られたデータを持つ新しい家庭でこのグローバルモデルを微調整する。 得られたモデルは、次の24時間(日頭)の家庭の電力消費を15分間の時間分解能で予測するために使用される。
  論文  参考訳（メタデータ） (2023-10-29T21:19:08Z)
• Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
  継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。 本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。 以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-15T17:10:51Z)
• Navigating Out-of-Distribution Electricity Load Forecasting during COVID-19: Benchmarking energy load forecasting models without and with continual learning [10.47725405370935]
  本稿では,新たなデータを用いたモデル更新のための継続的学習手法と,建物の外にあるプライバシー保護歩行者カウンタから収集した人体移動データを活用するための2つの戦略を用いる。 結果は、特にアウト・オブ・ディストリビューション期間において、正確なエネルギー予測において継続的な学習が重要な役割を担っていることを明らかにする。
  論文  参考訳（メタデータ） (2023-09-08T12:36:49Z)
• Hybrid Transformer-RNN Architecture for Household Occupancy Detection Using Low-Resolution Smart Meter Data [8.486902848941872]
  エネルギーシステムのデジタル化は、非侵襲的な方法で占有検知に使用できるスマートメーターデータを提供する。 ディープラーニング技術により、低解像度のスマートメーターデータから占有率を推定できる。 本研究は, 住宅の占有状況を検出するための, プライバシ意識と効果的なモデルを開発することを目的としている。
  論文  参考訳（メタデータ） (2023-08-27T14:13:29Z)
• 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)
• TRAIL: Near-Optimal Imitation Learning with Suboptimal Data [100.83688818427915]
  オフラインデータセットを使用してファクタードトランジションモデルを学習するトレーニング目標を提案する。 我々の理論的分析は、学習された潜在行動空間が下流模倣学習のサンプル効率を高めることを示唆している。 実際に潜伏行動空間を学習するために、エネルギーベースの遷移モデルを学ぶアルゴリズムTRAIL(Transition-Reparametrized Actions for Imitation Learning)を提案する。
  論文  参考訳（メタデータ） (2021-10-27T21:05:00Z)
• Investigating Underlying Drivers of Variability in Residential Energy Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
  スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。 本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
  論文  参考訳（メタデータ） (2021-02-16T16:56:27Z)
• Data-driven control of micro-climate in buildings: an event-triggered reinforcement learning approach [56.22460188003505]
  半マルコフ決定過程に基づく微小気候制御問題を定式化する。 建物内の微小気候のイベントトリガー制御のための2つの学習アルゴリズムを提案する。 スマートなサーモスタットを設計することで,提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2020-01-28T18:20:43Z)

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。