論文の概要: Transfer learning for day-ahead load forecasting: a case study on European national electricity demand time series

• arxiv url: http://arxiv.org/abs/2310.15555v1
• Date: Tue, 24 Oct 2023 06:54:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-25 20:22:22.798655
• Title: Transfer learning for day-ahead load forecasting: a case study on European national electricity demand time series
• Title（参考訳）: 日頭負荷予測のための転送学習--欧州電力需要時系列を事例として
• Authors: Alexandros-Menelaos Tzortzis, Sotiris Pelekis, Evangelos Spiliotis, Spiros Mouzakitis, John Psarras, Dimitris Askounis
• Abstract要約: 電力グリッドの日々の運用には,短期負荷予測(STLF)が不可欠である。 ニューラルネットワーク(NN)モデルなど,STLFを改善するためのさまざまな予測手法が提案されている。 我々は、人気があり実装が容易なNNモデルを採用し、シリーズ間の類似パターンを特定するためにクラスタリング分析を行う。
• 参考スコア（独自算出の注目度）: 42.156081667752886
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Short-term load forecasting (STLF) is crucial for the daily operation of power grids. However, the non-linearity, non-stationarity, and randomness characterizing electricity demand time series renders STLF a challenging task. Various forecasting approaches have been proposed for improving STLF, including neural network (NN) models which are trained using data from multiple electricity demand series that may not necessary include the target series. In the present study, we investigate the performance of this special case of STLF, called transfer learning (TL), by considering a set of 27 time series that represent the national day-ahead electricity demand of indicative European countries. We employ a popular and easy-to-implement NN model and perform a clustering analysis to identify similar patterns among the series and assist TL. In this context, two different TL approaches, with and without the clustering step, are compiled and compared against each other as well as a typical NN training setup. Our results demonstrate that TL can outperform the conventional approach, especially when clustering techniques are considered.
• Abstract（参考訳）: 電力グリッドの日々の運用には,短期負荷予測(STLF)が不可欠である。 しかし、電力需要時系列を特徴付ける非線形性、非定常性、ランダム性は、STLFを困難な課題にしている。 ターゲット系列を含む必要のない複数の電力需要系列のデータを用いてトレーニングされたニューラルネットワーク(NN)モデルなど、STLFを改善するための様々な予測手法が提案されている。 本研究では,この特殊なSTLF(Transfer Learning, TL)の性能について, 欧州各国の日頭電力需要を表す27の時系列を考慮し検討した。 我々は、人気があり実装が容易なNNモデルを採用し、クラスタリング分析を行い、シリーズ間の類似パターンを特定し、TLを支援する。 この文脈では、2つの異なるTLアプローチがクラスタリングステップなしでコンパイルされ、典型的なNNトレーニング設定と同様に互いに比較される。 その結果,クラスタリング技術を考慮した場合,TLは従来の手法よりも優れていることがわかった。

関連論文リスト

• TSI: A Multi-View Representation Learning Approach for Time Series Forecasting [29.05140751690699]
  本研究では,時系列予測のための新しいマルチビュー手法を提案する。 傾向と季節表現を独立成分分析(ICA)に基づく表現と統合する。 このアプローチは時系列データの全体的理解を提供し、しばしば曖昧で非線形な関係を見逃す伝統的なモデルを越えている。
  論文  参考訳（メタデータ） (2024-09-30T02:11:57Z)
• Understanding Different Design Choices in Training Large Time Series Models [71.20102277299445]
  不均一な時系列データに基づく大規模時系列モデル(LTSMs)のトレーニングには,ユニークな課題が伴う。 本稿では,時系列データに合わせた新しい統計プロンプトである,時系列プロンプトを提案する。 textttLTSM-bundleを導入します。
  論文  参考訳（メタデータ） (2024-06-20T07:09:19Z)
• 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)
• TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series [57.4208255711412]
  パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(TACTiS)の簡易な目的を提案する。 結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-02T16:45:19Z)
• Communication-Efficient Design of Learning System for Energy Demand Forecasting of Electrical Vehicles [5.704507128756151]
  時系列エネルギー利用予測問題に対する機械学習の応用は、様々な要因により難しい課題である。 本稿では,トランスアーキテクチャの最近の進歩を組み合わせた通信効率のよい時系列予測モデルを提案する。 提案モデルでは,トレーニング中のデータレートを著しく低減しつつ,性能が同等であることが示されている。
  論文  参考訳（メタデータ） (2023-09-04T00:30:25Z)
• G-NM: A Group of Numerical Time Series Prediction Models [0.0]
  数値時系列予測モデル(G-NM)のグループは、線形および非線形の依存関係、季節性、時系列データに存在する傾向の両方をカプセル化する。 G-NMは、複雑な自然現象に固有のパターンや傾向に関連する予測能力を増強するために明確に構成されている。
  論文  参考訳（メタデータ） (2023-06-20T16:39:27Z)
• Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
  本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。 その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-20T22:25:47Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• ES-dRNN: A Hybrid Exponential Smoothing and Dilated Recurrent Neural Network Model for Short-Term Load Forecasting [1.4502611532302039]
  複雑な時系列(TS)のため、短期負荷予測(STLF)は困難である 本稿では,複数の季節性を扱うハイブリッド階層型ディープラーニングモデルを提案する。 指数スムージング(ES)とリカレントニューラルネットワーク(RNN)を組み合わせる。
  論文  参考訳（メタデータ） (2021-12-05T19:38:42Z)

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。