論文の概要: Exploring Artificial Intelligence Methods for Energy Prediction in
Healthcare Facilities: An In-Depth Extended Systematic Review
- arxiv url: http://arxiv.org/abs/2311.15807v1
- Date: Mon, 27 Nov 2023 13:30:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 15:21:02.559927
- Title: Exploring Artificial Intelligence Methods for Energy Prediction in
Healthcare Facilities: An In-Depth Extended Systematic Review
- Title（参考訳）: 医療施設におけるエネルギー予測のための人工知能手法の探索 : 詳細なシステムレビュー
- Authors: Marjan FatehiJananloo, Helen Stopps, J.J. McArthur
- Abstract要約: 本研究は, 病院ビルのエネルギー消費予測に機械学習と人工知能技術を用いた論文のPRISMAフレームワークを用いた文献レビューを行った。
このレビューでは、エネルギー予測に影響を与えるさまざまなデータ入力が明らかにされ、占有率と気象データが重要な予測因子として出現した。
この発見は、病院のエネルギー消費を最適化するAIの巨大な可能性を浮き彫りにしただけでなく、より包括的できめ細かい研究の必要性も浮き彫りにしている。
- 参考スコア（独自算出の注目度）: 0.9208007322096533
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Hospitals, due to their complexity and unique requirements, play a pivotal
role in global energy consumption patterns. This study conducted a
comprehensive literature review, utilizing the PRISMA framework, of articles
that employed machine learning and artificial intelligence techniques for
predicting energy consumption in hospital buildings. Of the 1884 publications
identified, 17 were found to address this specific domain and have been
thoroughly reviewed to establish the state-of-the-art and identify gaps where
future research is needed. This review revealed a diverse range of data inputs
influencing energy prediction, with occupancy and meteorological data emerging
as significant predictors. However, many studies failed to delve deep into the
implications of their data choices, and gaps were evident regarding the
understanding of time dynamics, operational status, and preprocessing methods.
Machine learning, especially deep learning models like ANNs, have shown
potential in this domain, yet they come with challenges, including
interpretability and computational demands. The findings underscore the immense
potential of AI in optimizing hospital energy consumption but also highlight
the need for more comprehensive and granular research. Key areas for future
research include the optimization of ANN approaches, new optimization and data
integration techniques, the integration of real-time data into Intelligent
Energy Management Systems, and increasing focus on long-term energy
forecasting.
- Abstract（参考訳）: 病院はその複雑さとユニークな要件のために、グローバルなエネルギー消費パターンにおいて重要な役割を果たす。
本研究では,病院ビルのエネルギー消費予測に機械学習と人工知能を用いた論文のprismaフレームワークを用いて,総合的な文献レビューを行った。
1884年に特定された出版物のうち、17件がこの特定の領域に対処できることが判明し、最新の技術を確立し、将来の研究が必要なギャップを特定するために徹底的に検討された。
このレビューは、エネルギー予測に影響を及ぼす様々なデータ入力を明らかにし、占有率と気象データが重要な予測要因として出現した。
しかし、多くの研究はデータ選択の意義を深く掘り下げることはできず、時間ダイナミクス、運用状況、前処理方法の理解に関してギャップがあることは明らかであった。
機械学習、特にANNのようなディープラーニングモデルは、この分野においてポテンシャルを示してきたが、解釈可能性や計算上の要求といった課題が伴っている。
この発見は、病院のエネルギー消費を最適化するaiの膨大な可能性を支えると同時に、より包括的で詳細な研究の必要性を強調している。
今後の研究分野としては、ANNアプローチの最適化、新しい最適化とデータ統合技術、インテリジェントエネルギー管理システムへのリアルタイムデータの統合、長期エネルギー予測への注力などがある。
関連論文リスト
- Present and Future of AI in Renewable Energy Domain : A Comprehensive Survey [0.0]
人工知能(AI)は、様々な産業におけるプロセスを合理化するための重要な手段となっている。
現代の電力システムの再生可能エネルギー(RE)を支援するため、9つのAIベースの戦略がここで特定されている。
この研究は、再生可能エネルギー生成にAI技術を使用すること、再生可能エネルギー予測にAIを活用すること、エネルギーシステムの最適化という3つの主要なトピックについても論じている。
論文 参考訳（メタデータ） (2024-06-22T04:36:09Z) - A Gap in Time: The Challenge of Processing Heterogeneous IoT Data in Digitalized Buildings [15.525789412274587]
本研究は, ビル内およびビル間におけるIoTデータの多様性について検討した。
その結果、マルチモーダルデータ統合、ドメインインフォームドモデリング、自動データエンジニアリングパイプラインの必要性が強調された。
論文 参考訳（メタデータ） (2024-05-23T07:45:48Z) - Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。
深層学習は、医療を含む様々な応用においてその優位性を示している。
論文 参考訳（メタデータ） (2024-02-02T00:31:01Z) - On the Opportunities of Green Computing: A Survey [80.21955522431168]
人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。
高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。
コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
論文 参考訳（メタデータ） (2023-11-01T11:16:41Z) - Smart Home Energy Management: VAE-GAN synthetic dataset generator and
Q-learning [15.995891934245334]
本稿では,スマートホームにおけるエネルギー消費に関する時系列データを生成するための,変分自動エンコーダ生成対向ネットワーク(VAE-GAN)手法を提案する。
実世界のスマートホームデータを用いて,Qラーニングに基づくHEMSのオンラインパフォーマンスを検証した。
論文 参考訳（メタデータ） (2023-05-14T22:22:16Z) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳（メタデータ） (2022-07-19T16:15:11Z) - Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。
我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
論文 参考訳（メタデータ） (2022-07-18T11:38:32Z) - Distributed intelligence on the Edge-to-Cloud Continuum: A systematic
literature review [62.997667081978825]
このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。
現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
論文 参考訳（メタデータ） (2022-04-29T08:06:05Z) - Pre-Trained Models: Past, Present and Future [126.21572378910746]
大規模事前訓練モデル(PTM)は近年大きな成功を収め、人工知能(AI)分野におけるマイルストーンとなった。
知識を巨大なパラメータに格納し、特定のタスクを微調整することで、巨大なパラメータに暗黙的にエンコードされた豊富な知識は、さまざまな下流タスクの恩恵を受けることができる。
AIコミュニティが、モデルをスクラッチから学習するのではなく、下流タスクのバックボーンとしてPTMを採用することは、今、コンセンサスになっている。
論文 参考訳（メタデータ） (2021-06-14T02:40:32Z) - Artificial Intelligence Based Prognostic Maintenance of Renewable Energy
Systems: A Review of Techniques, Challenges, and Future Research Directions [3.1123064748686287]
データ分析と機械学習(ML)技術は、これらの予後維持システムの全体的な効率を高めるために使われています。
本稿では,文献に報告されている予測/予測保守フレームワークの概要について述べる。
MLベースのソリューションの重要な側面として、ドメインで一般的に使用されるデータセットについても議論します。
論文 参考訳（メタデータ） (2021-04-20T11:41:00Z) - Artificial Intelligence based Anomaly Detection of Energy Consumption in
Buildings: A Review, Current Trends and New Perspectives [2.1874189959020423]
本稿では,人工知能を用いたエネルギー消費構築のための,既存の異常検出フレームワークの詳細なレビューを行う。
著者の知識を最大限に活用するために、エネルギー消費の構築における異常検出について論じる最初のレビュー記事である。
論文 参考訳（メタデータ） (2020-10-09T13:28:34Z)
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。