論文の概要: Leveraging Graph Neural Networks to Forecast Electricity Consumption

• arxiv url: http://arxiv.org/abs/2408.17366v1
• Date: Fri, 30 Aug 2024 15:54:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-02 14:46:39.878716
• Title: Leveraging Graph Neural Networks to Forecast Electricity Consumption
• Title（参考訳）: 電力消費予測のためのグラフニューラルネットワークの活用
• Authors: Eloi Campagne, Yvenn Amara-Ouali, Yannig Goude, Argyris Kalogeratos,
• Abstract要約: この研究は、従来の一般化付加モデルフレームワークを超えて、新しいアプローチを提供する。 本稿では,消費予測に適したグラフを推定する手法と,開発したモデルを評価するためのフレームワークを紹介する。 本研究は,フランス本土の地域を考慮した総合的および現実的な枠組みで,電気予測の実験を行う。
• 参考スコア（独自算出の注目度）: 3.157383076370605
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate electricity demand forecasting is essential for several reasons, especially as the integration of renewable energy sources and the transition to a decentralized network paradigm introduce greater complexity and uncertainty. The proposed methodology leverages graph-based representations to effectively capture the spatial distribution and relational intricacies inherent in this decentralized network structure. This research work offers a novel approach that extends beyond the conventional Generalized Additive Model framework by considering models like Graph Convolutional Networks or Graph SAGE. These graph-based models enable the incorporation of various levels of interconnectedness and information sharing among nodes, where each node corresponds to the combined load (i.e. consumption) of a subset of consumers (e.g. the regions of a country). More specifically, we introduce a range of methods for inferring graphs tailored to consumption forecasting, along with a framework for evaluating the developed models in terms of both performance and explainability. We conduct experiments on electricity forecasting, in both a synthetic and a real framework considering the French mainland regions, and the performance and merits of our approach are discussed.
• Abstract（参考訳）: 特に、再生可能エネルギー源の統合と分散ネットワークパラダイムへの移行により、より複雑で不確実性がもたらされるため、正確な電力需要予測が不可欠である。 提案手法は,この分散ネットワーク構造に固有の空間分布と関係の複雑さを効果的に捉えるために,グラフに基づく表現を利用する。 この研究は、グラフ畳み込みネットワークやグラフSAGEのようなモデルを検討することによって、従来の一般化された追加モデルフレームワークを超えて、新しいアプローチを提供する。 これらのグラフベースのモデルは、ノード間の相互接続性と情報共有の様々なレベルを組み込むことを可能にし、各ノードは、消費者のサブセット(例えば、国の地域)の結合負荷(すなわち消費)に対応する。 具体的には、消費予測に適したグラフを推定する手法と、性能と説明可能性の両方の観点から開発モデルを評価するためのフレームワークを紹介する。 本研究は,フランス本土の地域を考慮した総合的および実フレームワークによる電気予測実験を行い,本手法の性能とメリットについて論じる。

関連論文リスト

• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• On Discprecncies between Perturbation Evaluations of Graph Neural Network Attributions [49.8110352174327]
  我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。 中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。 我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
  論文  参考訳（メタデータ） (2024-01-01T02:03:35Z)
• Knowledge Graph Construction in Power Distribution Networks [17.18463559355908]
  配電系統における知識グラフ構築手法を提案する。 配信ネットワークの知識グラフと発声テキストの両方において,その意味的特徴,音声的特徴,統語的特徴を含む実体的特徴を用いる。 畳み込みニューラルネットワークに基づく拡張モデルを用いて、ディスパッチテキストエンティティと知識グラフのエンティティを効果的にマッチングする。
  論文  参考訳（メタデータ） (2023-11-15T06:35:01Z)
• End-to-End Heterogeneous Graph Neural Networks for Traffic Assignment [5.205252810216621]
  我々は、異種グラフニューラルネットワークのパワーを活用して、トラフィック割り当てのための新しいエンドツーエンドサロゲートモデルを提案する。 本モデルでは,アダプティブグラフアテンション機構と,原点-終点ノードペアを接続する補助的な"仮想"リンクを統合する。 提案するヘテロジニアスグラフニューラルネットワークモデルは,収束率や予測精度の観点から,従来のニューラルネットワークモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-19T23:04:09Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Graph Auto-Encoders for Network Completion [6.1074304332419675]
  本稿では,ネットワークの観測部分から学習した接続パターンを用いてグラフ全体を完成させるモデルを提案する。 提案モデルでは,少ない情報で競合性能を達成できた。
  論文  参考訳（メタデータ） (2022-04-25T05:24:45Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• Graph-based Algorithm Unfolding for Energy-aware Power Allocation in Wireless Networks [27.600081147252155]
  我々は,無線通信網におけるエネルギー効率を最大化する新しいグラフ要約フレームワークを開発した。 無線ネットワークデータのモデルに望ましい特性である置換訓練について述べる。 結果は、異なるネットワークトポロジにまたがる一般化可能性を示している。
  論文  参考訳（メタデータ） (2022-01-27T20:23:24Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Quantifying Challenges in the Application of Graph Representation Learning [0.0]
  私たちは、一般的な埋め込みアプローチのセットに対して、アプリケーション指向の視点を提供します。 実世界のグラフ特性に関する表現力を評価する。 GRLアプローチは現実のシナリオでは定義が困難であることが示唆された。
  論文  参考訳（メタデータ） (2020-06-18T03:19:43Z)

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。