論文の概要: Multi-variable Adversarial Time-Series Forecast Model
- arxiv url: http://arxiv.org/abs/2406.00596v1
- Date: Sun, 2 Jun 2024 02:30:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-06 04:16:01.269029
- Title: Multi-variable Adversarial Time-Series Forecast Model
- Title(参考訳): 多変量対応型時系列予測モデル
- Authors: Xiaoqiao Chen,
- Abstract要約: 短期的な産業用電力システムの予測は、負荷制御と機械保護の両方において重要な問題である。
本稿では,Long Short-Term Memory(LSTM)モデルを逆処理により正規化する,多変数の逆時系列予測モデルを提案する。
- 参考スコア(独自算出の注目度): 0.7832189413179361
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Short-term industrial enterprises power system forecasting is an important issue for both load control and machine protection. Scientists focus on load forecasting but ignore other valuable electric-meters which should provide guidance of power system protection. We propose a new framework, multi-variable adversarial time-series forecasting model, which regularizes Long Short-term Memory (LSTM) models via an adversarial process. The novel model forecasts all variables (may in different type, such as continue variables, category variables, etc.) in power system at the same time and helps trade-off process between forecasting accuracy of single variable and variable-variable relations. Experiments demonstrate the potential of the framework through qualitative and quantitative evaluation of the generated samples. The predict results of electricity consumption of industrial enterprises by multi-variable adversarial time-series forecasting model show that the proposed approach is able to achieve better prediction accuracy. We also applied this model to real industrial enterprises power system data we gathered from several large industrial enterprises via advanced power monitors, and got impressed forecasting results.
- Abstract(参考訳): 短期的な産業用電力システムの予測は、負荷制御と機械保護の両方において重要な問題である。
科学者は負荷予測に重点を置いているが、電力システム保護のガイダンスを提供する他の貴重な電気メーターを無視する。
本稿では,Long Short-Term Memory(LSTM)モデルを逆処理により正規化する,多変数の逆時系列予測モデルを提案する。
新たなモデルでは、電力系統内の全ての変数(継続変数、カテゴリ変数など)を同時に予測し、単一変数の予測精度と変数変数変数の関係のトレードオフプロセスを支援する。
実験は、生成したサンプルの質的、定量的な評価を通じて、フレームワークの可能性を示す。
多変量対応型時系列予測モデルにより, 企業における電力消費の予測結果は, 提案手法が予測精度を向上できることを示している。
また、このモデルを、先進的な電力モニタを用いて、複数の大企業から収集した実産業の電力システムデータに適用し、予測結果に感銘を受けた。
関連論文リスト
- Hourly Short Term Load Forecasting for Residential Buildings and Energy Communities [0.0]
永続モデル、自動回帰ベースの機械学習モデル、より高度なディープラーニングモデルを導入します。
既存の手法に比べて,新たに導入された時間ベースの予測モデルの予測精度が15~30%向上するのを観察する。
論文 参考訳(メタデータ) (2025-01-31T15:49:09Z) - PowerMamba: A Deep State Space Model and Comprehensive Benchmark for Time Series Prediction in Electric Power Systems [6.516425351601512]
予測結果と実際のグリッド結果のギャップを埋めるために時系列予測モデルが必要である。
従来の状態空間モデルと深層学習を組み合わせた多変量時系列予測モデルを提案する。
5年間の負荷、電力価格、アシラリーサービス価格、再生可能エネルギー生成にまたがるデータセットをリリースする。
論文 参考訳(メタデータ) (2024-12-09T00:23:34Z) - Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。
既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。
本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文 参考訳(メタデータ) (2024-11-24T04:56:45Z) - Rating Multi-Modal Time-Series Forecasting Models (MM-TSFM) for Robustness Through a Causal Lens [10.103561529332184]
ノイズや不正なデータによる不正確さが誤った予測につながるような,マルチモーダルな時系列予測に重点を置いている。
本稿では,マルチモーダル時系列予測モデルのロバスト性を評価するための評価手法を提案する。
論文 参考訳(メタデータ) (2024-06-12T17:39:16Z) - Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。
ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。
当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文 参考訳(メタデータ) (2024-02-12T16:15:25Z) - Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳(メタデータ) (2024-02-06T21:28:42Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳(メタデータ) (2023-10-09T18:34:29Z) - Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。
本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。
評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
論文 参考訳(メタデータ) (2023-07-14T06:50:02Z) - Masked Multi-Step Probabilistic Forecasting for Short-to-Mid-Term
Electricity Demand [7.544120398993689]
Masked Multi-Step Multi Probabilistic Forecasting (MMMPF)は、ニューラルネットワークモデルをトレーニングするための、新しく一般的なフレームワークである。
過去の時間的情報と未来に関する既知の情報を組み合わせて確率的予測を行う。
MMMPFは、不確実性を捉え、将来のグリッドの確率的計画を可能にするために、望ましい量子化物を生成することもできる。
論文 参考訳(メタデータ) (2023-02-14T04:09:03Z) - Advanced Statistical Learning on Short Term Load Process Forecasting [13.466565318976887]
短期負荷予測(STLF)は、電力消費者の効率的なスケジューリング、運転最適化取引、意思決定に必要である。
本研究では, ハードタイプデータセットのこれらの課題を管理するための統計非線形モデルを提案し, 最大2日前に15分間の周波数負荷を予測した。
論文 参考訳(メタデータ) (2021-10-19T12:32:40Z) - 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)
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。