論文の概要: A Hybrid SOM and K-means Model for Time Series Energy Consumption Clustering

• arxiv url: http://arxiv.org/abs/2312.11475v1
• Date: Sat, 25 Nov 2023 16:55:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 13:36:47.031897
• Title: A Hybrid SOM and K-means Model for Time Series Energy Consumption Clustering
• Title（参考訳）: 時系列エネルギー消費クラスタリングのためのハイブリッドSOMとK平均モデル
• Authors: Farideh Majidi
• Abstract要約: 本稿では、自己組織化マップとK平均クラスタリングという2つの強力な手法を統合することにより、毎月のエネルギー消費パターンを効果的にクラスタリングする新しい手法を提案する。 本研究の主な焦点は、ロンドンにおけるスマートメーターの時系列エネルギー消費データの選択である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Energy consumption analysis plays a pivotal role in addressing the challenges of sustainability and resource management. This paper introduces a novel approach to effectively cluster monthly energy consumption patterns by integrating two powerful techniques: Self-organizing maps and K-means clustering. The proposed method aims to exploit the benefits of both of these algorithms to enhance the accuracy and interpretability of clustering results for a dataset in which finding patterns is difficult. The main focus of this study is on a selection of time series energy consumption data from the Smart meters in London dataset. The data was preprocessed and reduced in dimensionality to capture essential temporal patterns while retaining their underlying structures. The SOM algorithm was utilized to extract the central representatives of the consumption patterns for each one of the houses over the course of each month, effectively reducing the dimensionality of the dataset and making it easier for analysis. Subsequently, the obtained SOM centroids were clustered using K-means, a popular centroid-based clustering technique. The experimental results demonstrated a significant silhouette score of 66%, indicating strong intra-cluster cohesion and inter-cluster separation which confirms the effectiveness of the proposed approach in the clustering task.
• Abstract（参考訳）: エネルギー消費分析は持続可能性と資源管理の課題に取り組む上で重要な役割を果たしている。 本稿では,2つの強力な手法である自己組織化マップとk-meansクラスタリングを統合することにより,月々のエネルギー消費パターンを効果的にクラスタ化する新しい手法を提案する。 提案手法は,これら2つのアルゴリズムの利点を生かして,パターン発見が難しいデータセットのクラスタリング結果の精度と解釈性を高めることを目的としている。 この研究の主な焦点は、ロンドンのデータセットにあるsmartmeterから時系列エネルギー消費データを選択することである。 データは前処理され、基礎構造を維持しながら重要な時間パターンを捉えるために次元が縮小された。 SOMアルゴリズムを用いて,毎月各世帯の消費パターンの中央表現を抽出し,データセットの次元性を効果的に低減し,分析を容易にする。 その後、得られたSOMセントロイドをK平均でクラスタリングした。 実験の結果,66%のシルエットスコアが得られ,クラスタ内凝集とクラスタ間分離が強く,クラスタリング作業における提案手法の有効性が確認された。

関連論文リスト

• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Fuzzy K-Means Clustering without Cluster Centroids [21.256564324236333]
  ファジィK平均クラスタリングは教師なしデータ分析において重要な手法である。 本稿では,クラスタセントロイドへの依存を完全に排除する,ファジィテクストK-Meansクラスタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-04-07T12:25:03Z)
• Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
  本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。 データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。 非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
  論文  参考訳（メタデータ） (2024-03-05T17:49:09Z)
• Imbalanced Data Clustering using Equilibrium K-Means [1.0878040851638]
  セントロイドベースのクラスタリングアルゴリズムは、大規模なクラスタに対する学習バイアスに悩まされている。 本稿では,ボルツマン演算子に基づく新たなクラスタリング目的関数を提案する。 提案された新しいアルゴリズムは平衡K平均 (EKM) と呼ばれ、2つのステップ間で交互に行われる。
  論文  参考訳（メタデータ） (2024-02-22T12:27:38Z)
• A Weighted K-Center Algorithm for Data Subset Selection [70.49696246526199]
  サブセット選択は、トレーニングデータの小さな部分を特定する上で重要な役割を果たす、基本的な問題である。 我々は,k中心および不確かさサンプリング目的関数の重み付け和に基づいて,サブセットを計算する新しい係数3近似アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-12-17T04:41:07Z)
• A Machine Learning-Based Framework for Clustering Residential Electricity Load Profiles to Enhance Demand Response Programs [0.0]
  実ケーススタディを通じて最適な負荷プロファイルを実現するために,機械学習に基づく新しいフレームワークを提案する。 本稿では,実ケーススタディを通じて最適な負荷プロファイルを実現するために,機械学習に基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-31T11:23:26Z)
• Targeted demand response for flexible energy communities using clustering techniques [2.572906392867547]
  目的は、イタリアの分散エネルギーコミュニティにおける消費者の消費行動を変えることである。 一般的な3つの機械学習アルゴリズム、すなわちk-means、k-medoids、集約クラスタリングが採用されている。 本研究で提案される新しい指標,すなわちピークパフォーマンススコア(PPS)を含む複数の指標を用いた手法の評価を行った。
  論文  参考訳（メタデータ） (2023-03-01T02:29:30Z)
• Agglomerative Hierarchical Clustering with Dynamic Time Warping for Household Load Curve Clustering [0.0]
  クライアントを消費パターンに従って分類することで、需要応答(DR)プログラムのために特定の消費者グループをターゲットにすることができる。 我々は、AHC(Agglomerative Hierarchical Clustering)とDTW(Dynamic Time Warping)を組み合わせた形状に基づくアプローチを提案する。 DTWを用いたAHCは、他のクラスタリングアルゴリズムよりも優れており、より少ないクラスタを必要とすることを示す。
  論文  参考訳（メタデータ） (2022-10-18T01:30:25Z)
• Detection and Evaluation of Clusters within Sequential Data [58.720142291102135]
  Block Markov Chainsのクラスタリングアルゴリズムは理論的最適性を保証する。 特に、私たちのシーケンシャルデータは、ヒトのDNA、テキスト、動物運動データ、金融市場から派生しています。 ブロックマルコフ連鎖モデルの仮定は、実際に探索データ解析において有意義な洞察を得られることが判明した。
  論文  参考訳（メタデータ） (2022-10-04T15:22:39Z)
• Meta Clustering Learning for Large-scale Unsupervised Person Re-identification [124.54749810371986]
  メタクラスタリング学習(MCL)と呼ばれる「大規模タスクのための小さなデータ」パラダイムを提案する。 MCLは、第1フェーズのトレーニングのためにコンピューティングを節約するためにクラスタリングを介して、未ラベルデータのサブセットを擬似ラベル付けするのみである。 提案手法は計算コストを大幅に削減すると同時に,従来よりも優れた性能を実現している。
  論文  参考訳（メタデータ） (2021-11-19T04:10:18Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)

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。