論文の概要: Wind Power Prediction across Different Locations using Deep Domain Adaptive Learning

• arxiv url: http://arxiv.org/abs/2405.11188v1
• Date: Sat, 18 May 2024 05:57:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-21 19:07:29.594313
• Title: Wind Power Prediction across Different Locations using Deep Domain Adaptive Learning
• Title（参考訳）: 深部領域適応学習を用いた異なる位置における風力予測
• Authors: Md Saiful Islam Sajol, Md Shazid Islam, A S M Jahid Hasan, Md Saydur Rahman, Jubair Yusuf,
• Abstract要約: この断続的再生源のグリッド統合には,風力の正確な予測が不可欠である。 特定の気候領域のデータから学習する予測モデルは、ロバストさの低下に悩まされる可能性がある。 この欠点に対処するために、ディープニューラルネットワーク(DNN)に基づくドメイン適応アプローチを提案する。 提案手法は従来の非適応法と比較して6.14%から28.44%まで高い精度を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate prediction of wind power is essential for the grid integration of this intermittent renewable source and aiding grid planners in forecasting available wind capacity. Spatial differences lead to discrepancies in climatological data distributions between two geographically dispersed regions, consequently making the prediction task more difficult. Thus, a prediction model that learns from the data of a particular climatic region can suffer from being less robust. A deep neural network (DNN) based domain adaptive approach is proposed to counter this drawback. Effective weather features from a large set of weather parameters are selected using a random forest approach. A pre-trained model from the source domain is utilized to perform the prediction task, assuming no source data is available during target domain prediction. The weights of only the last few layers of the DNN model are updated throughout the task, keeping the rest of the network unchanged, making the model faster compared to the traditional approaches. The proposed approach demonstrates higher accuracy ranging from 6.14% to even 28.44% compared to the traditional non-adaptive method.
• Abstract（参考訳）: この間欠的な再生可能エネルギーのグリッド統合と、利用可能な風力の予測におけるグリッドプランナーの支援には、風力の正確な予測が不可欠である。 空間的差異は、地理的に分散した2つの地域間の気候データ分布に相違が生じ、予測作業がより困難になる。 したがって、特定の気候領域のデータから学習する予測モデルは、ロバストさの低下に悩まされる可能性がある。 この欠点に対処するために、ディープニューラルネットワーク(DNN)に基づくドメイン適応アプローチを提案する。 気象パラメータの集合から有効な気象特徴をランダムな森林アプローチを用いて選択する。 ソースドメインからの事前学習モデルを用いて、ターゲットドメイン予測中にソースデータが利用できないと仮定して、予測タスクを実行する。 DNNモデルの最後の数レイヤのみの重みがタスク全体を通して更新され、残りのネットワークは変更されず、従来のアプローチに比べてモデルが高速になる。 提案手法は従来の非適応法と比較して6.14%から28.44%まで高い精度を示す。

関連論文リスト

• Multi-modal graph neural networks for localized off-grid weather forecasting [3.890177521606208]
  機械学習や数値気象モデルによる天気予報製品は、現在、グローバル・レギュラー・グリッドで作成されている。 本研究では、異種グラフニューラルネットワーク(GNN)をエンドツーエンドにトレーニングし、グリッド化された予測をダウンスケールして、関心のある場所をオフグリッドする。 提案手法は,グローバルな大規模気象モデルと局所的高精度な予測とのギャップを橋渡しして,局所的な意思決定に役立てることができることを示す。
  論文  参考訳（メタデータ） (2024-10-16T18:25:43Z)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• Location Agnostic Adaptive Rain Precipitation Prediction using Deep Learning [2.0971479389679337]
  降雨予測は、場所によって異なる気象や気象の特徴に依存するため、難しい課題である。 我々は、上記の課題に対する解決策を提供するために、適応的なディープラーニングベースのフレームワークを提案してきた。 深部ニューラルネットワークを用いて, パリ, ロサンゼルス, 東京の降水予測を行ったところ, それぞれ43.51%, 5.09%, 38.62%の改善が見られた。
  論文  参考訳（メタデータ） (2024-02-02T08:26:42Z)
• Location Agnostic Source-Free Domain Adaptive Learning to Predict Solar Power Generation [0.0]
  本稿では,気象特性を用いた太陽発電を推定するためのドメイン適応型ディープラーニングフレームワークを提案する。 フィードフォワード深部畳み込みネットワークモデルは、既知の位置データセットを教師付きでトレーニングし、後に未知の場所の太陽エネルギーを予測するために使用される。 我々の手法では、カリフォルニア(CA)、フロリダ(FL)、ニューヨーク(NY)の順応的でない手法と比較して、太陽エネルギー予測精度が10.47 %、7.44 %、5.11%の改善が見られた。
  論文  参考訳（メタデータ） (2024-01-24T02:08:48Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Precipitation nowcasting with generative diffusion models [0.0]
  降水処理における拡散モデルの有効性について検討した。 本研究は, 確立されたU-Netモデルの性能と比較したものである。
  論文  参考訳（メタデータ） (2023-08-13T09:51:16Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Short-term precipitation prediction using deep learning [5.1589108738893215]
  気象フィールドの1つのフレームを用いた3次元畳み込みニューラルネットワークは降水空間分布を予測することができることを示す。 このネットワークは、気象学の39年 (1980-2018) のデータと、連続した米国上空の毎日の降水に基づいて開発されている。
  論文  参考訳（メタデータ） (2021-10-05T06:37:24Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。