論文の概要: Improving the Accuracy and Interpretability of Neural Networks for Wind Power Forecasting

• arxiv url: http://arxiv.org/abs/2312.15741v1
• Date: Mon, 25 Dec 2023 14:29:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-27 16:42:58.928240
• Title: Improving the Accuracy and Interpretability of Neural Networks for Wind Power Forecasting
• Title（参考訳）: 風力発電予測のためのニューラルネットワークの精度と解釈性の向上
• Authors: Wenlong Liao, Fernando Porte-Agel, Jiannong Fang, Birgitte Bak-Jensen, Zhe Yang, Gonghao Zhang
• Abstract要約: 本稿ではまず,簡単な3重最適化手法(TriOpts)を提案する。 次に、DNNの予測動作を解釈するために、置換特徴重要度(PFI)と局所解釈モデル非依存的説明(LIME)技術を提案する。
• 参考スコア（独自算出の注目度）: 42.640766130080415
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep neural networks (DNNs) are receiving increasing attention in wind power forecasting due to their ability to effectively capture complex patterns in wind data. However, their forecasted errors are severely limited by the local optimal weight issue in optimization algorithms, and their forecasted behavior also lacks interpretability. To address these two challenges, this paper firstly proposes simple but effective triple optimization strategies (TriOpts) to accelerate the training process and improve the model performance of DNNs in wind power forecasting. Then, permutation feature importance (PFI) and local interpretable model-agnostic explanation (LIME) techniques are innovatively presented to interpret forecasted behaviors of DNNs, from global and instance perspectives. Simulation results show that the proposed TriOpts not only drastically improve the model generalization of DNNs for both the deterministic and probabilistic wind power forecasting, but also accelerate the training process. Besides, the proposed PFI and LIME techniques can accurately estimate the contribution of each feature to wind power forecasting, which helps to construct feature engineering and understand how to obtain forecasted values for a given sample.
• Abstract（参考訳）: 深層ニューラルネットワーク(DNN)は、風データの複雑なパターンを効果的に捉える能力により、風力予測に注目が集まっている。 しかし、最適化アルゴリズムの局所最適重み問題により予測誤差が著しく制限され、予測された振る舞いも解釈可能性に欠ける。 この2つの課題に対処するために,風力予測におけるDNNの学習過程を高速化し,モデル性能を向上させるための簡易かつ効果的な3重最適化手法(TriOpts)を提案する。 そして、グローバルおよびインスタンスの観点から、DNNの予測された振る舞いを解釈するために、置換特徴重要度(PFI)と局所解釈モデル非依存的説明(LIME)技術が革新的に提示される。 シミュレーションの結果,提案したTriOptsは決定的および確率的風力予測の両方において,DNNのモデル一般化を大幅に改善するだけでなく,トレーニングプロセスの高速化も図っている。 さらに,提案手法は,風力予測に対する各特徴の寄与を正確に推定し,特徴工学の構築と,与えられたサンプルに対する予測値の取得方法の理解を支援する。

関連論文リスト

• Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
  Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。 実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。 Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
  論文  参考訳（メタデータ） (2024-07-28T19:18:59Z)
• Enabling Uncertainty Estimation in Iterative Neural Networks [49.56171792062104]
  本研究では,アンサンブルのような手法よりもはるかに低い計算コストで最先端の見積もりを提供する不確実性推定手法を開発する。 航空画像における道路検出と2次元および3次元形状の空力特性の推定という2つの応用領域に組み込むことで,その実用的価値を実証する。
  論文  参考訳（メタデータ） (2024-03-25T13:06:31Z)
• Hallmarks of Optimization Trajectories in Neural Networks: Directional Exploration and Redundancy [75.15685966213832]
  最適化トラジェクトリのリッチな方向構造をポイントワイズパラメータで解析する。 トレーニング中のスカラーバッチノルムパラメータは,ネットワーク全体のトレーニング性能と一致していることを示す。
  論文  参考訳（メタデータ） (2024-03-12T07:32:47Z)
• Enhancing Wind Speed and Wind Power Forecasting Using Shape-Wise Feature Engineering: A Novel Approach for Improved Accuracy and Robustness [6.0447555473286885]
  本研究では,風速・風力予測のための特徴工学的手法を提案する。 その結果、ステップ増加によるノイズに対するモデルレジリエンスの大幅な向上が明らかになった。 このアプローチは、24段階までの未確認データの予測において、驚くべき83%の精度を達成する可能性がある。
  論文  参考訳（メタデータ） (2024-01-16T09:34:17Z)
• Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
  より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。 具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
  論文  参考訳（メタデータ） (2023-12-03T13:50:24Z)
• Renewable energy management in smart home environment via forecast embedded scheduling based on Recurrent Trend Predictive Neural Network [0.0]
  本稿では,Recurrent Trends Predictive Neural Network based Forecast Embedded Scheduling (rTPNN-FES)と呼ばれるMLアルゴリズムを提案する。 rTPNN-FESは、再生可能エネルギーの発生と家電のスケジュールを同時に予測する新しいニューラルネットワークアーキテクチャである。 組込み構造により、rTPNN-FESは予測とスケジューリングのための別々のアルゴリズムの使用を排除し、予測エラーに対して堅牢なスケジュールを生成する。
  論文  参考訳（メタデータ） (2023-07-04T10:18:16Z)
• Towards Understanding the Unreasonable Effectiveness of Learning AC-OPF Solutions [31.388212637482365]
  最適潮流(OPF)は電力系統の基本的な問題である。 近年の研究では、非常に少ないランタイムでOPF近似を見つけるためにDeep Neural Networks (DNN) が提案されている。 本稿は、この知識ギャップに対処するための一歩となる。
  論文  参考訳（メタデータ） (2021-11-22T13:04:31Z)
• An Interpretable Probabilistic Model for Short-Term Solar Power Forecasting Using Natural Gradient Boosting [0.0]
  本稿では,高精度で信頼性が高く,鋭い予測を生成できる2段階確率予測フレームワークを提案する。 このフレームワークは、ポイント予測と予測間隔(PI)の両方について完全な透明性を提供する。 提案フレームワークの性能と適用性を強調するため,南ドイツにある2つのPV公園の実際のデータを用いている。
  論文  参考訳（メタデータ） (2021-08-05T12:59:38Z)
• Adaptive Inference through Early-Exit Networks: Design, Challenges and Directions [80.78077900288868]
  初期のネットワークの設計手法をその重要コンポーネントに分解し、各コンポーネントの最近の進歩を調査する。 我々は、他の効率的な推論ソリューションと早期に競合する立場をとり、この分野の研究における現在の課題と最も有望な今後の方向性についての洞察を提供する。
  論文  参考訳（メタデータ） (2021-06-09T12:33:02Z)
• Error-feedback stochastic modeling strategy for time series forecasting with convolutional neural networks [11.162185201961174]
  本稿では,ランダム畳み込みネットワーク(ESM-CNN)ニューラル時系列予測タスクを構築するための新しいError-feedback Modeling (ESM)戦略を提案する。 提案したESM-CNNは、最先端のランダムニューラルネットワークを上回るだけでなく、トレーニングされた最先端のディープニューラルネットワークモデルと比較して、予測能力と計算オーバーヘッドの低減も実現している。
  論文  参考訳（メタデータ） (2020-02-03T13:30:29Z)

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。