論文の概要: DECODE: Data-driven Energy Consumption Prediction leveraging Historical
Data and Environmental Factors in Buildings
- arxiv url: http://arxiv.org/abs/2309.02908v2
- Date: Tue, 6 Feb 2024 15:37:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 20:28:22.181022
- Title: DECODE: Data-driven Energy Consumption Prediction leveraging Historical
Data and Environmental Factors in Buildings
- Title(参考訳): デコード:建物の歴史的データと環境要因を活用したデータ駆動エネルギー消費予測
- Authors: Aditya Mishra, Haroon R. Lone, Aayush Mishra
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.2891210250935148
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Energy prediction in buildings plays a crucial role in effective energy
management. Precise predictions are essential for achieving optimal energy
consumption and distribution within the grid. This paper introduces a Long
Short-Term Memory (LSTM) model designed to forecast building energy consumption
using historical energy data, occupancy patterns, and weather conditions. The
LSTM model provides accurate short, medium, and long-term energy predictions
for residential and commercial buildings compared to existing prediction
models. We compare our LSTM model with established prediction methods,
including linear regression, decision trees, and random forest. Encouragingly,
the proposed LSTM model emerges as the superior performer across all metrics.
It demonstrates exceptional prediction accuracy, boasting the highest R2 score
of 0.97 and the most favorable mean absolute error (MAE) of 0.007. An
additional advantage of our developed model is its capacity to achieve
efficient energy consumption forecasts even when trained on a limited dataset.
We address concerns about overfitting (variance) and underfitting (bias)
through rigorous training and evaluation on real-world data. In summary, our
research contributes to energy prediction by offering a robust LSTM model that
outperforms alternative methods and operates with remarkable efficiency,
generalizability, and reliability.
- Abstract(参考訳): 建物のエネルギー予測は、効率的なエネルギー管理において重要な役割を果たす。
正確な予測は、グリッド内の最適なエネルギー消費と分配を達成するために不可欠である。
本稿では,過去のエネルギーデータ,居住パターン,気象条件を用いて,建築エネルギー消費量を予測するための長期短期記憶モデル(lstm)を提案する。
LSTMモデルは、既存の予測モデルと比較して、住宅や商業ビルの正確な短・中・長期エネルギー予測を提供する。
LSTMモデルと線形回帰,決定木,ランダム林などの確立した予測手法を比較した。
LSTMモデルは、すべての指標において優れたパフォーマーとして現れます。
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。
開発したモデルのさらなる利点は、限られたデータセットでトレーニングしても効率的なエネルギー消費予測を実現する能力である。
我々は,実世界のデータに対する厳密なトレーニングと評価を通じて,過剰フィッティング(分散)と低フィッティング(バイアス)に関する懸念に対処する。
まとめると、我々の研究は代替手法より優れ、優れた効率、一般化可能性、信頼性で機能する堅牢なLSTMモデルを提供することでエネルギー予測に寄与する。
関連論文リスト
- AI-Powered Predictions for Electricity Load in Prosumer Communities [0.0]
本稿では,人工知能を用いた短期負荷予測手法を提案する。
その結果、(負荷予測タスクに適応した)持続的項と回帰的項の組み合わせは、最高の予測精度が得られることがわかった。
論文 参考訳(メタデータ) (2024-02-21T12:23:09Z) - Impact of data usage for forecasting on performance of model predictive
control in buildings with smart energy storage [0.0]
本研究では,モデル予測制御のための単純な機械学習予測モデルと最先端機械学習予測モデルの両方の性能について検討する。
データ利用が予測精度に与える影響を以下のデータ効率測定のために定量化する。
負荷予測モデルに対する2年以上のトレーニングデータの使用は、予測精度を著しく改善することはなかった。
論文 参考訳(メタデータ) (2024-02-19T21:01:11Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-28T13:23:25Z) - FedWOA: A Federated Learning Model that uses the Whale Optimization
Algorithm for Renewable Energy Prediction [0.0]
本稿では,フェデレート学習モデルについて紹介する。フェデレーション学習モデルは,プロシューマーエネルギーデータに基づいて訓練された局所ニューラルネットワークモデルの重みから,グローバル予測モデルを集約する。
その結果,FedAVGと比較して,MSEでは25%,MAEでは16%の精度でエネルギー予測モデルの精度を効果的に向上できることがわかった。
論文 参考訳(メタデータ) (2023-09-19T05:44:18Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳(メタデータ) (2023-07-01T15:18:00Z) - Meta-Regression Analysis of Errors in Short-Term Electricity Load
Forecasting [0.0]
本稿では,短期電力負荷予測の精度に影響を与える要因を考察するメタ回帰分析(MRA)を提案する。
59の研究で公表された421の予測モデルから得られたデータを利用する。
LSTMアプローチとニューラルネットワークと他のアプローチの組み合わせが最高の予測方法であることがわかった。
論文 参考訳(メタデータ) (2023-05-29T18:26:51Z) - Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。
EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文 参考訳(メタデータ) (2023-04-17T10:59:57Z) - A Comparative Study on Energy Consumption Models for Drones [4.660172505713055]
我々は、その物理的挙動から派生したドローンの5つの最も人気のあるエネルギー消費モデルをベンチマークする。
本稿では,Long Short-Term Memory (LSTM) に基づくディープラーニングアーキテクチャを用いた新しいデータ駆動型エネルギーモデルを提案する。
実験の結果,LSTMに基づくアプローチは,研究中のデータセットに対して,他の数学的モデルよりも容易に優れていることがわかった。
論文 参考訳(メタデータ) (2022-05-30T23:05:32Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z)
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。