論文の概要: Enhancing Wind Speed and Wind Power Forecasting Using Shape-Wise Feature
Engineering: A Novel Approach for Improved Accuracy and Robustness
- arxiv url: http://arxiv.org/abs/2401.08233v1
- Date: Tue, 16 Jan 2024 09:34:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 14:38:04.920292
- Title: Enhancing Wind Speed and Wind Power Forecasting Using Shape-Wise Feature
Engineering: A Novel Approach for Improved Accuracy and Robustness
- Title(参考訳): 形状特徴工学による風速と風力予測能力の向上:精度とロバスト性の向上のための新しいアプローチ
- Authors: Mulomba Mukendi Christian, Yun Seon Kim, Hyebong Choi, Jaeyoung Lee,
SongHee You
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 6.0447555473286885
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate prediction of wind speed and power is vital for enhancing the
efficiency of wind energy systems. Numerous solutions have been implemented to
date, demonstrating their potential to improve forecasting. Among these, deep
learning is perceived as a revolutionary approach in the field. However,
despite their effectiveness, the noise present in the collected data remains a
significant challenge. This noise has the potential to diminish the performance
of these algorithms, leading to inaccurate predictions. In response to this,
this study explores a novel feature engineering approach. This approach
involves altering the data input shape in both Convolutional Neural
Network-Long Short-Term Memory (CNN-LSTM) and Autoregressive models for various
forecasting horizons. The results reveal substantial enhancements in model
resilience against noise resulting from step increases in data. The approach
could achieve an impressive 83% accuracy in predicting unseen data up to the
24th steps. Furthermore, this method consistently provides high accuracy for
short, mid, and long-term forecasts, outperforming the performance of
individual models. These findings pave the way for further research on noise
reduction strategies at different forecasting horizons through shape-wise
feature engineering.
- Abstract(参考訳): 風速と電力の正確な予測は、風力エネルギーシステムの効率を高めるために不可欠である。
これまでに多くのソリューションが実装され、予測を改善する可能性を示している。
これらのうち、深層学習はこの分野における革命的なアプローチとみなされている。
しかし、その効果にもかかわらず、収集されたデータに存在するノイズは依然として大きな課題である。
このノイズはこれらのアルゴリズムの性能を低下させ、不正確な予測をもたらす可能性がある。
これに対し,本研究では,新しい特徴工学的アプローチを探求する。
このアプローチでは、様々な予測地平線に対する畳み込みニューラルネットワーク-Long Short-Term Memory (CNN-LSTM)とAutoregressiveモデルの両方でデータ入力形状を変更する。
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番目のステップまで見えないデータを予測することで、83%の正確さを達成できます。
さらに, この手法は, 短時間, 中期, 長期の予測に対して常に高い精度を提供し, 個々のモデルの性能を向上する。
これらの知見は,形状的特徴工学による予測方向の異なるノイズ低減戦略のさらなる研究の道を開いた。
関連論文リスト
- Bayesian Deep Learning for Remaining Useful Life Estimation via Stein
Variational Gradient Descent [14.784809634505903]
本研究では,スタイン変分勾配勾配を用いたベイズ学習モデルが収束速度と予測性能に対して一貫して優れていたことを示す。
ベイズモデルが提供する不確実性情報に基づく性能向上手法を提案する。
論文 参考訳(メタデータ) (2024-02-02T02:21:06Z) - Improving the Accuracy and Interpretability of Neural Networks for Wind
Power Forecasting [42.640766130080415]
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。
論文 参考訳(メタデータ) (2023-12-25T14:29:09Z) - Not All Steps are Equal: Efficient Generation with Progressive Diffusion
Models [62.155612146799314]
ステップ適応トレーニングと呼ばれる新しい2段階のトレーニング戦略を提案する。
初期段階では、ベース・デノナイジング・モデルはすべてのタイムステップを包含するように訓練される。
タイムステップを別々のグループに分割し、各グループ内でモデルを微調整して、特殊な認知機能を実現します。
論文 参考訳(メタデータ) (2023-12-20T03:32:58Z) - Koopman Invertible Autoencoder: Leveraging Forward and Backward Dynamics
for Temporal Modeling [13.38194491846739]
我々は、Koopman Invertible Autoencoders (KIA) と呼ぶ、Koopman演算子理論に基づく新しい機械学習モデルを提案する。
KIAは、無限次元ヒルベルト空間における前方と後方のダイナミクスをモデル化することによって、システムの固有の特性を捉えている。
これにより,低次元表現を効率よく学習し,長期システムの挙動をより正確に予測することが可能になる。
論文 参考訳(メタデータ) (2023-09-19T03:42:55Z) - Short-Term Load Forecasting Using A Particle-Swarm Optimized Multi-Head
Attention-Augmented CNN-LSTM Network [0.0]
電力系統の効率的な運用と計画において、短期負荷予測が最重要となる。
ディープラーニングの最近の進歩は、この問題に対処する上で有望であることを示している。
これらの障害を克服する新しいソリューションを提案します。
論文 参考訳(メタデータ) (2023-09-07T13:06:52Z) - Adaptive Fake Audio Detection with Low-Rank Model Squeezing [50.7916414913962]
ファインタニングのような従来の手法は計算集約的であり、既知の偽音声タイプの知識を損なう危険性がある。
本稿では,新たに登場したニセモノ音声タイプに特化して,低ランク適応行列をトレーニングするコンセプトを紹介する。
当社のアプローチには,ストレージメモリ要件の削減やエラー率の低下など,いくつかのメリットがあります。
論文 参考訳(メタデータ) (2023-06-08T06:06:42Z) - Beyond S-curves: Recurrent Neural Networks for Technology Forecasting [60.82125150951035]
我々は機械学習と時系列予測の最近の進歩を生かしたオートコーダアプローチを開発した。
S曲線予測は、単純なARIMAベースラインに匹敵する平均パーセンテージ誤差(MAPE)を示す。
我々のオートエンコーダアプローチは、2番目に高い結果に対して平均13.5%改善する。
論文 参考訳(メタデータ) (2022-11-28T14:16:22Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - N-HiTS: Neural Hierarchical Interpolation for Time Series Forecasting [17.53378788483556]
長期的な予測に苦しむ2つの一般的な課題は、予測のボラティリティとその計算複雑性である。
N-HiTSは,新しい階層型データサンプリング手法とマルチレートデータサンプリング手法を導入することで,両課題に対処するモデルである。
我々は,N-HiTSの最先端長軸予測法に対する利点を実証的に評価する。
論文 参考訳(メタデータ) (2022-01-30T17:52:19Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。
本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
論文 参考訳(メタデータ) (2020-06-10T08:22:41Z)
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。