Fugu-MT 論文翻訳(概要): Integrating the Expected Future: Schedule Based Energy Forecasting

論文の概要: Integrating the Expected Future: Schedule Based Energy Forecasting

arxiv url: http://arxiv.org/abs/2409.05884v1
Date: Mon, 26 Aug 2024 12:32:40 GMT
ステータス: 処理完了
システム内更新日: 2024-09-15 05:31:27.755019
Title: Integrating the Expected Future: Schedule Based Energy Forecasting
Title（参考訳）: 今後の展望:スケジュールに基づくエネルギー予測
Authors: Raffael Theiler, Olga Fink,
Abstract要約: 電力グリッド演算子は、極端なエラーのケースを最小限に抑えるために、正確で信頼性の高いエネルギー予測に依存している。計画情報の導入は、予測の正確性と特異性を大幅に向上させる可能性がある。提案手法は,全国の鉄道エネルギー消費の予測精度を有意に向上させる。
参考スコア（独自算出の注目度）: 6.675805308519987
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Power grid operators depend on accurate and reliable energy forecasts, aiming to minimize cases of extreme errors, as these outliers are particularly challenging to manage during operation. Incorporating planning information -- such as known data about users' future behavior or scheduled events -- has the potential to significantly enhance the accuracy and specificity of forecasts. Although there have been attempts to integrate such expected future behavior, these efforts consistently rely on conventional regression models to process this information. These models often lack the flexibility and capability to effectively incorporate both dynamic, forward-looking contextual inputs and historical data. To address this challenge, we conceptualize this combined forecasting and regression challenge as a sequence-to-sequence modeling problem and demonstrate, with three distinct models, that our contextually enhanced transformer models excel in this task. By leveraging schedule-based contextual information from the Swiss railway traction network, our proposed method significantly improved the average forecasting accuracy of nationwide railway energy consumption. Specifically, enhancing the transformer models with contextual information resulted in an average reduction of mean absolute error by 40.6\% , whereas other state-of-the-art methods did not demonstrate any significant improvement.
Abstract（参考訳）: 電力グリッドオペレーターは正確な信頼性の高いエネルギー予測に依存しており、これらの異常は特に運用中の管理が困難であるため、極端なエラーのケースを最小限に抑えることを目的としている。ユーザの将来の行動やスケジュールされたイベントに関する既知のデータなどの計画情報を組み込むことは、予測の正確性や特異性を大幅に向上させる可能性がある。このような将来の行動を統合する試みはあったが、これらの取り組みは情報を処理するために従来の回帰モデルに一貫して依存している。これらのモデルは、動的で前方に見える文脈入力と履歴データの両方を効果的に組み込む柔軟性と能力に欠けることが多い。この課題に対処するために、この予測と回帰を組み合わせた課題をシーケンス・ツー・シーケンス・モデリング問題として概念化し、3つの異なるモデルを用いて、我々の文脈的に拡張されたトランスフォーマーモデルがこの課題に優れていることを示す。提案手法は,スイスの鉄道トラクションネットワークからのスケジュールに基づく文脈情報を活用することにより,全国の鉄道エネルギー消費の予測精度を有意に向上させる。具体的には、コンテクスト情報を用いたトランスフォーマーモデルの強化により、平均絶対誤差を40.6\%削減する結果となったが、他の最先端の手法では大きな改善は示さなかった。

関連論文リスト

Deconfounding Time Series Forecasting [1.5967186772129907]
時系列予測は様々な領域において重要な課題であり、正確な予測は情報的な意思決定を促進する。従来の予測手法は、しばしば将来の結果を予測するために変数の現在の観測に依存している。本稿では,過去のデータから得られた潜在的共同設立者の表現を取り入れた予測手法を提案する。
論文参考訳（メタデータ） (2024-10-27T12:45:42Z)
On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文参考訳（メタデータ） (2024-10-21T18:31:04Z)
Future-Guided Learning: A Predictive Approach To Enhance Time-Series Forecasting [4.866362841501992]
本稿では、時系列イベント予測を強化するアプローチであるFuture-Guided Learningを紹介する。提案手法は,重要な事象を特定するために将来的なデータを解析する検出モデルと,これらの事象を現在のデータに基づいて予測する予測モデルである。予測モデルと検出モデルの間に不一致が発生した場合、予測モデルはより実質的な更新を行う。
論文参考訳（メタデータ） (2024-10-19T21:22:55Z)
Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文参考訳（メタデータ） (2024-07-18T15:44:23Z)
Meta-learning and Data Augmentation for Stress Testing Forecasting Models [0.33554367023486936]
モデルがストレスにさらされていると考えられるのは、高次のエラーや不確実性の増加など、ネガティブな振る舞いを示す場合である。本稿では,MAST(Meta-learning and data Augmentation for Stress Testing)と呼ばれる新しいフレームワークに貢献する。
論文参考訳（メタデータ） (2024-06-24T17:59:33Z)
TimeSieve: Extracting Temporal Dynamics through Information Bottlenecks [31.10683149519954]
本稿では,時系列予測モデルTimeSieveを提案する。提案手法では、ウェーブレット変換を用いて時系列データを前処理し、マルチスケールの特徴を効果的にキャプチャする。本研究は,時系列予測における課題に対処するためのアプローチの有効性を検証した。
論文参考訳（メタデータ） (2024-06-07T15:58:12Z)
A Temporally Disentangled Contrastive Diffusion Model for Spatiotemporal Imputation [35.46631415365955]
C$2$TSDという条件拡散フレームワークを導入する。実世界の3つのデータセットに対する我々の実験は、最先端のベースラインと比較して、我々のアプローチの優れた性能を示している。
論文参考訳（メタデータ） (2024-02-18T11:59:04Z)
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)
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)
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)

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。