論文の概要: Mid-Long Term Daily Electricity Consumption Forecasting Based on
Piecewise Linear Regression and Dilated Causal CNN
- arxiv url: http://arxiv.org/abs/2310.15204v1
- Date: Mon, 23 Oct 2023 10:22:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 22:32:59.372430
- Title: Mid-Long Term Daily Electricity Consumption Forecasting Based on
Piecewise Linear Regression and Dilated Causal CNN
- Title(参考訳): 区分的線形回帰と拡張因果cnnに基づく長期電力消費予測
- Authors: Zhou Lan, Ben Liu, Yi Feng, Danhuang Dong, Peng Zhang
- Abstract要約: 既存の予測アルゴリズムは、休日のような特別な日付で精度を低下させる傾向にある。
本研究は, 日常の電力消費を, 傾向, 季節, 残留の3つの構成要素に分解する。
実験により,本手法は既存手法と比較して精度が高いことを示した。
- 参考スコア(独自算出の注目度): 9.921863154466608
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Daily electricity consumption forecasting is a classical problem. Existing
forecasting algorithms tend to have decreased accuracy on special dates like
holidays. This study decomposes the daily electricity consumption series into
three components: trend, seasonal, and residual, and constructs a two-stage
prediction method using piecewise linear regression as a filter and Dilated
Causal CNN as a predictor. The specific steps involve setting breakpoints on
the time axis and fitting the piecewise linear regression model with one-hot
encoded information such as month, weekday, and holidays. For the challenging
prediction of the Spring Festival, distance is introduced as a variable using a
third-degree polynomial form in the model. The residual sequence obtained in
the previous step is modeled using Dilated Causal CNN, and the final prediction
of daily electricity consumption is the sum of the two-stage predictions.
Experimental results demonstrate that this method achieves higher accuracy
compared to existing approaches.
- Abstract(参考訳): 日々の電力消費予測は古典的な問題である。
既存の予測アルゴリズムは休日のような特別な日付で精度を低下させる傾向にある。
本研究は, 日次電力消費系列を傾向, 季節, 残留の3つの成分に分解し, 分別線形回帰をフィルタとし, ディイル化因数CNNを予測器とする2段階予測法を構築した。
具体的なステップは、時間軸にブレークポイントを設定し、断片的な線形回帰モデルに月、平日、休日などの1ホットエンコードされた情報を適用することである。
春祭りの難解な予測のために、モデル内の3次多項式形式を用いて距離を変数として導入する。
前ステップで得られた残差列はDilated Causal CNNを用いてモデル化し, 日中電力消費の最終的な予測は2段階予測の総和である。
実験により,本手法は既存手法と比較して精度が高いことを示した。
関連論文リスト
- Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。
本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
論文 参考訳(メタデータ) (2023-10-24T22:59:56Z) - Predicting Temperature of Major Cities Using Machine Learning and Deep
Learning [0.0]
我々は,大都市における気温変化を構成するデイトン大学が作成したデータベースを用いて,将来いつでも異なる都市の気温を予測する。
この文書には、このような予測を行うための方法論が含まれています。
論文 参考訳(メタデータ) (2023-09-23T10:23:00Z) - Extracting or Guessing? Improving Faithfulness of Event Temporal
Relation Extraction [87.04153383938969]
本研究では,TempRel抽出モデルの忠実度を2つの観点から改善する。
第1の視点は、文脈記述に基づいて真に抽出することである。
第2の視点は、適切な不確実性評価を提供することである。
論文 参考訳(メタデータ) (2022-10-10T19:53:13Z) - State-Space Models Win the IEEE DataPort Competition on Post-covid
Day-ahead Electricity Load Forecasting [0.0]
我々は、電力需要予測競争の勝利戦略を提示する。
この競争は、2020年春に始まるような不安定な期間の新しい予測方法を設計するために組織された。
私たちは、標準的な統計モデルと機械学習モデルを適用するために、ステートスペースモデルに依存しています。
論文 参考訳(メタデータ) (2021-10-01T11:57:37Z) - 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) - On projection methods for functional time series forecasting [0.0]
関数時系列(FTS)予測のための2つの非パラメトリック手法
一段階の予測と動的更新の両方に対処する。
これらの方法は、シミュレーションデータ、日々の電力需要、NOx排出に適用される。
論文 参考訳(メタデータ) (2021-05-10T14:24:38Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳(メタデータ) (2021-01-31T06:49:33Z) - A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。
線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。
以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
論文 参考訳(メタデータ) (2020-10-27T17:56:14Z) - 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) - A Multi-Variate Triple-Regression Forecasting Algorithm for Long-Term
Customized Allergy Season Prediction [0.6690874707758511]
本研究は, 長期にわたり各患者にカスタマイズ可能な, 気腫性アレルギーの季節を予測するために, トリプル回帰法を用いている。
アレルギー感受性の異なるレベルに基づいて、花粉のトリガー濃度 - アレルギーシーズンの定義を個別にカスタマイズすることができる。
論文 参考訳(メタデータ) (2020-05-10T02:42:12Z) - A Locally Adaptive Interpretable Regression [7.4267694612331905]
線形回帰は最も解釈可能な予測モデルの一つである。
本稿では,局所適応型解釈型回帰(LoAIR)を導入する。
我々のモデルは、他の最先端のベースラインと同等またはより良い予測性能を達成する。
論文 参考訳(メタデータ) (2020-05-07T09:26:14Z)
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。