論文の概要: Textual-Knowledge-Guided Numerical Feature Discovery Method for Power
Demand Forecasting
- arxiv url: http://arxiv.org/abs/2312.00095v1
- Date: Thu, 30 Nov 2023 13:17:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-04 17:00:51.946825
- Title: Textual-Knowledge-Guided Numerical Feature Discovery Method for Power
Demand Forecasting
- Title(参考訳): 電力需要予測のためのテキスト知識に基づく数値特徴発見手法
- Authors: Zifan Ning, Min Jin
- Abstract要約: 本稿では,短期電力需要予測のためのテキスト知識誘導数値特徴探索(TKNFD)手法を提案する。
TKNFDは、定性的なテキスト知識を広範囲に蓄積し、それを候補となる特徴集合に拡張し、これらの特徴の数値データを収集し、最終的に4DM-STDを構築する。
世界中の2つの地域におけるベンチマーク実験は、TKNFDが発見した特徴の予測精度が、SoTAの特徴スキームの予測精度を16.84%から36.36%で確実に上回っていることを示した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Power demand forecasting is a crucial and challenging task for new power
system and integrated energy system. However, as public feature databases and
the theoretical mechanism of power demand changes are unavailable, the known
features of power demand fluctuation are much limited. Recently, multimodal
learning approaches have shown great vitality in machine learning and AIGC. In
this paper, we interact two modal data and propose a textual-knowledge-guided
numerical feature discovery (TKNFD) method for short-term power demand
forecasting. TKNFD extensively accumulates qualitative textual knowledge,
expands it into a candidate feature-type set, collects numerical data of these
features, and eventually builds four-dimensional multivariate source-tracking
databases (4DM-STDs). Next, TKNFD presents a two-level quantitative feature
identification strategy independent of forecasting models, finds 43-48
features, and systematically analyses feature contribution and dependency
correlation. Benchmark experiments in two different regions around the world
demonstrate that the forecasting accuracy of TKNFD-discovered features reliably
outperforms that of SoTA feature schemes by 16.84% to 36.36% MAPE. In
particular, TKNFD reveals many unknown features, especially several dominant
features in the unknown energy and astronomical dimensions, which extend the
knowledge on the origin of strong randomness and non-linearity in power demand
fluctuation. Besides, 4DM-STDs can serve as public baseline databases.
- Abstract(参考訳): 電力需要予測は、新しい電力システムと統合エネルギーシステムにとって重要かつ困難な課題である。
しかし,公的な特徴データベースや電力需要変動の理論的メカニズムは利用できないため,電力需要変動の既知の特徴は非常に限られている。
近年,機械学習やAIGCにおいて,マルチモーダルな学習アプローチが極めて重要になっている。
本稿では,2つのモーダルデータと対話し,短期電力需要予測のためのテキスト知識誘導数値特徴探索法を提案する。
tknfdは質的テキスト知識を広く蓄積し、それを候補特徴型集合に拡張し、それらの特徴の数値データを収集し、最終的に4次元多変量ソース追跡データベース(4dm-std)を構築する。
次に、TKNFDは予測モデルに依存しない2段階の定量的特徴識別戦略を示し、43-48の特徴を見つけ、特徴の寄与と依存性の相関を体系的に分析する。
世界中の2つの地域におけるベンチマーク実験は、TKNFDが発見した特徴の予測精度が、SoTAの特徴スキームの16.84%から36.36%のMAPEよりも確実に優れていることを示した。
特に、tknfdは多くの未知の特徴、特に未知のエネルギーと天文学的な次元において支配的な特徴を示し、強ランダム性の起源と電力需要変動の非線形性に関する知識を拡張している。
さらに、4DM-STDはパブリックベースラインデータベースとして機能する。
関連論文リスト
- MMA-DFER: MultiModal Adaptation of unimodal models for Dynamic Facial Expression Recognition in-the-wild [81.32127423981426]
実世界のアプリケーションでは,音声およびビデオデータに基づくマルチモーダル感情認識が重要である。
近年の手法は、強力なマルチモーダルエンコーダの事前学習に自己教師付き学習(SSL)の進歩を活用することに重点を置いている。
SSL-pre-trained disimodal encoders を用いて,この問題に対する異なる視点とマルチモーダル DFER の性能向上について検討する。
論文 参考訳(メタデータ) (2024-04-13T13:39:26Z) - Unsupervised Learning of Hybrid Latent Dynamics: A Learn-to-Identify
Framework [9.587766468221535]
現代の応用では、高次元時系列からの潜在力学の教師なし学習がますます求められている。
本稿では、モデル化されているデータに特異的な物理誘導バイアスの使用と、その識別に使用されるデータから予測対象を分離する学習・識別戦略について検討する。
我々はこれら2つの戦略をハイブリッド潜在力学(Meta-HyLaD)の教師なしメタラーニングのための新しいフレームワークに組み合わせる。
論文 参考訳(メタデータ) (2024-03-13T02:33:57Z) - Interpretable Multi-Source Data Fusion Through Latent Variable Gaussian
Process [8.391185633015896]
提案手法は、2つの数学的(表現パラボラ問題、2D Ackley関数)と2つの材料科学(FeCrAlおよびSmCoFe合金の設計)のケーススタディを用いて実証および解析を行った。
単一のソースとソースを意識しないMLモデルと比較して,提案するマルチソースデータ融合フレームワークは,スパースデータ問題,ソースに対する解釈可能性,異なるソース間の相関や関係を利用してモデリング能力を向上させることができる。
論文 参考訳(メタデータ) (2024-02-06T16:54:59Z) - Time-Aware Knowledge Representations of Dynamic Objects with
Multidimensional Persistence [41.32931849366751]
本稿では,暗黙的な時間依存トポロジ情報に着目した時間認識型知識表現機構を提案する。
特に,TMP(textitTemporal MultiPersistence)と呼ばれる新しい手法を提案する。
TMP法は、最先端のマルチパーシスタンスサマリーの計算効率を59.5倍に向上させる。
論文 参考訳(メタデータ) (2024-01-24T00:33:53Z) - How Abilities in Large Language Models are Affected by Supervised
Fine-tuning Data Composition [67.02182566213268]
本研究は, 教師付き微調整における数学的推論, コード生成, 一般人適応能力間のデータ合成の相互作用に着目した。
我々の実験では、異なる能力のスケールが異なり、より大きなモデルでは、通常、同じ量のデータで優れたパフォーマンスを示す。
その結果, 合成データの量は, 合成比よりも性能に影響を及ぼすことが示唆された。
論文 参考訳(メタデータ) (2023-10-09T07:56:16Z) - Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。
PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。
提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2023-09-27T14:39:41Z) - Exploiting Modality-Specific Features For Multi-Modal Manipulation
Detection And Grounding [54.49214267905562]
マルチモーダルな操作検出とグラウンド処理のためのトランスフォーマーベースのフレームワークを構築する。
本フレームワークは,マルチモーダルアライメントの能力を維持しながら,モダリティ特有の特徴を同時に探求する。
本稿では,グローバルな文脈的キューを各モーダル内に適応的に集約する暗黙的操作クエリ(IMQ)を提案する。
論文 参考訳(メタデータ) (2023-09-22T06:55:41Z) - Diverse Offline Imitation Learning [25.957862896834545]
教師なしスキル発見のための原則付きオフラインアルゴリズムを提案する。
私たちの主な分析的貢献は、フェンシェルの双対性、強化学習、教師なしスキル発見を結びつけることです。
標準オフラインベンチマークD4RLにおける本手法の有効性を示す。
論文 参考訳(メタデータ) (2023-07-21T06:12:39Z) - Quantifying & Modeling Multimodal Interactions: An Information
Decomposition Framework [89.8609061423685]
本稿では,入力モーダル性と出力タスクを関連付けた冗長性,特異性,シナジーの度合いを定量化する情報理論手法を提案する。
PID推定を検証するために、PIDが知られている合成データセットと大規模マルチモーダルベンチマークの両方で広範な実験を行う。
本研究では,(1)マルチモーダルデータセット内の相互作用の定量化,(2)マルチモーダルモデルで捉えた相互作用の定量化,(3)モデル選択の原理的アプローチ,(4)実世界のケーススタディの3つにその有用性を示す。
論文 参考訳(メタデータ) (2023-02-23T18:59:05Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳(メタデータ) (2021-12-15T20:09:20Z) - Machine learning based digital twin for dynamical systems with multiple
time-scales [0.0]
デジタルツイン技術は、インフラ、航空宇宙、自動車といった様々な産業分野で広く応用される可能性がある。
ここでは、2つの異なる運用時間スケールで進化する線形単一自由度構造力学系のためのデジタルツインフレームワークに焦点を当てる。
論文 参考訳(メタデータ) (2020-05-12T15:33:25Z)
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。