論文の概要: EnergyDiff: Universal Time-Series Energy Data Generation using Diffusion Models

• arxiv url: http://arxiv.org/abs/2407.13538v1
• Date: Thu, 18 Jul 2024 14:10:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-19 14:02:17.495627
• Title: EnergyDiff: Universal Time-Series Energy Data Generation using Diffusion Models
• Title（参考訳）: EnergyDiff:拡散モデルを用いたユニバーサル時系列エネルギーデータ生成
• Authors: Nan Lin, Peter Palensky, Pedro P. Vergara,
• Abstract要約: 高解像度時系列データはエネルギーシステムの運用と計画に不可欠である。 データ収集コストとプライバシー上の懸念のため、そのようなデータはダウンストリームタスクでは利用できないか、あるいは不十分であることが多い。 本稿では,エネルギー時系列データのための汎用データ生成フレームワークであるEnergyDiffを提案する。
• 参考スコア（独自算出の注目度）: 2.677325229270716
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-resolution time series data are crucial for operation and planning in energy systems such as electrical power systems and heating systems. However, due to data collection costs and privacy concerns, such data is often unavailable or insufficient for downstream tasks. Data synthesis is a potential solution for this data scarcity. With the recent development of generative AI, we propose EnergyDiff, a universal data generation framework for energy time series data. EnergyDiff builds on state-of-the-art denoising diffusion probabilistic models, utilizing a proposed denoising network dedicated to high-resolution time series data and introducing a novel Marginal Calibration technique. Our extensive experimental results demonstrate that EnergyDiff achieves significant improvement in capturing temporal dependencies and marginal distributions compared to baselines, particularly at the 1-minute resolution. Additionally, EnergyDiff consistently generates high-quality time series data across diverse energy domains, time resolutions, and at both customer and transformer levels with reduced computational need.
• Abstract（参考訳）: 高解像度時系列データは、電力システムや暖房システムなどのエネルギーシステムの運用と計画に不可欠である。 しかし、データ収集コストとプライバシー上の懸念のため、そのようなデータはダウンストリームタスクでは利用できないか、あるいは不十分であることが多い。 データ合成は、このデータ不足の潜在的な解決策である。 生成AIの最近の発展に伴い,エネルギー時系列データのための汎用データ生成フレームワークであるEnergyDiffを提案する。 EnergyDiffは最先端のデノナイズ拡散確率モデルを構築し、高分解能時系列データ専用のデノナイズネットワークを提案し、新しいMarginal Calibration技術を導入した。 大規模な実験結果から,エネルギディフは,特に1分間の分解能において,ベースラインに比べて時間的依存性と限界分布を捕捉し,大幅な改善を達成できることが示唆された。 さらに、EnergyDiffは、様々なエネルギー領域、時間分解能、および計算の必要性を減らした顧客レベルとトランスフォーマーレベルで、高品質な時系列データを一貫して生成する。

関連論文リスト

• 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)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• A Gap in Time: The Challenge of Processing Heterogeneous IoT Data in Digitalized Buildings [15.525789412274587]
  本研究は, ビル内およびビル間におけるIoTデータの多様性について検討した。 その結果、マルチモーダルデータ統合、ドメインインフォームドモデリング、自動データエンジニアリングパイプラインの必要性が強調された。
  論文  参考訳（メタデータ） (2024-05-23T07:45:48Z)
• Creating synthetic energy meter data using conditional diffusion and building metadata [0.0]
  本研究では,関連メタデータを用いて高品質な合成エネルギーデータを生成する条件拡散モデルを提案する。 様々な建物や国から1,828個のパワーメーターからなるデータセットを用いて、従来の手法と比較する。 その結果,FID(Frechet Inception Distance)スコアは36%,KL(Kulback-Leibler divergence)は13%低下した。
  論文  参考訳（メタデータ） (2024-03-31T01:58:38Z)
• Analysis and Optimization of Wireless Federated Learning with Data Heterogeneity [72.85248553787538]
  本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。 ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。 実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-04T04:18:01Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Combining Embeddings and Fuzzy Time Series for High-Dimensional Time Series Forecasting in Internet of Energy Applications [0.0]
  Fuzzy Time Series (FTS) モデルは、実装が容易で高精度なデータ駆動非パラメトリックモデルとして際立っている。 本稿では,従来の高次元データを低次元埋め込み空間に投影することにより,高次元時系列を扱う新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-12-03T19:50:09Z)
• Data-Driven Time Series Reconstruction for Modern Power Systems Research [11.447394702830408]
  本稿では,送信システムオペレータが公開するグリッドスナップショットと履歴データを用いて,高忠実度時系列を再構築するためのデータ駆動型フレームワークを提案する。 これにより、合成されるが、非常に現実的な時系列データを5分間の粒度で複数年にわたって、個々の成分レベルで生成する。
  論文  参考訳（メタデータ） (2021-10-26T15:26:38Z)
• PIETS: Parallelised Irregularity Encoders for Forecasting with Heterogeneous Time-Series [5.911865723926626]
  マルチソースデータセットの不均一性と不規則性は時系列解析において重要な課題となる。 本研究では、異種時系列をモデル化するための新しいアーキテクチャ、PIETSを設計する。 PIETSは異種時間データを効果的にモデル化し、予測タスクにおける他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-09-30T20:01:19Z)
• Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
  本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。 提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
  論文  参考訳（メタデータ） (2021-06-02T07:36:27Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)

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。