論文の概要: Predicting Electricity Consumption with Random Walks on Gaussian Processes

• arxiv url: http://arxiv.org/abs/2409.05934v1
• Date: Mon, 9 Sep 2024 15:54:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-11 21:59:49.849264
• Title: Predicting Electricity Consumption with Random Walks on Gaussian Processes
• Title（参考訳）: ガウス過程におけるランダムウォークによる電力消費予測
• Authors: Chloé Hashimoto-Cullen, Benjamin Guedj,
• Abstract要約: 本稿では,データ不足や収集が困難,あるいは計算コストが不当な場合の時系列予測問題について考察する。 我々は、エネルギー供給者や公共関係者にとって戦略的に重要なフランスの短期的な電力消費に焦点を当てる。 データセット上でトレーニングされたGPのパフォーマンスを考慮し、これらのランダムウォークを設計することにより、ベイジアン意思決定手順全体のトレーニングコストを軽減できる。
• 参考スコア（独自算出の注目度）: 15.074823415889467
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We consider time-series forecasting problems where data is scarce, difficult to gather, or induces a prohibitive computational cost. As a first attempt, we focus on short-term electricity consumption in France, which is of strategic importance for energy suppliers and public stakeholders. The complexity of this problem and the many levels of geospatial granularity motivate the use of an ensemble of Gaussian Processes (GPs). Whilst GPs are remarkable predictors, they are computationally expensive to train, which calls for a frugal few-shot learning approach. By taking into account performance on GPs trained on a dataset and designing a random walk on these, we mitigate the training cost of our entire Bayesian decision-making procedure. We introduce our algorithm called \textsc{Domino} (ranDOM walk on gaussIaN prOcesses) and present numerical experiments to support its merits.
• Abstract（参考訳）: 本稿では,データ不足や収集が困難,あるいは計算コストが不当な場合の時系列予測問題について考察する。 最初の試みとして、我々は、エネルギー供給者や公共の利害関係者にとって戦略的に重要なフランスの短期的な電力消費に焦点を当てる。 この問題の複雑さと多くの地理空間的粒度は、ガウス過程(GP)のアンサンブルの使用を動機付けている。 GPは目覚ましい予測器だが、訓練には計算コストがかかる。 データセット上でトレーニングされたGPのパフォーマンスを考慮し、これらのランダムウォークを設計することにより、ベイジアン意思決定手順全体のトレーニングコストを軽減することができる。 本稿では,<textsc{Domino} (ranDOM walk on gaussIaN prOcesses) というアルゴリズムを導入し,その利点を裏付ける数値実験を行った。

関連論文リスト

• Predicting Probabilities of Error to Combine Quantization and Early Exiting: QuEE [68.6018458996143]
  本稿では,量子化と早期出口動的ネットワークを組み合わせたより一般的な動的ネットワークQuEEを提案する。 我々のアルゴリズムは、ソフトアーリーエグジットや入力依存圧縮の一形態と見なすことができる。 提案手法の重要な要素は、さらなる計算によって実現可能な潜在的な精度向上の正確な予測である。
  論文  参考訳（メタデータ） (2024-06-20T15:25:13Z)
• Any-Quantile Probabilistic Forecasting of Short-Term Electricity Demand [8.068451210598678]
  電力システムは、決定論的に説明できない複数の要因から生じる不確実性の下で運用される。 ディープラーニングの最近の進歩は、ポイント予測の精度を大幅に向上させるのに役立っている。 任意の量子を予測できる分布予測のための新しい一般手法を提案する。
  論文  参考訳（メタデータ） (2024-04-26T14:43:19Z)
• Learning-assisted Stochastic Capacity Expansion Planning: A Bayesian Optimization Approach [3.124884279860061]
  大規模容量拡大問題(CEP)は、地域エネルギーシステムのコスト効率の高い脱炭の中心である。 本稿では,2段階のCEPを抽出する学習支援近似解法を提案する。 本手法では, 直列集約法と比較して最大3.8%のコスト削減効果が得られた。
  論文  参考訳（メタデータ） (2024-01-19T01:40:58Z)
• BatchGFN: Generative Flow Networks for Batch Active Learning [80.73649229919454]
  BatchGFNは、生成フローネットワークを使用してバッチ報酬に比例したデータポイントのセットをサンプリングする、プールベースのアクティブラーニングのための新しいアプローチである。 提案手法は,おもちゃの回帰問題において,1点当たり1回の前方通過で推定時間に近距離最適効用バッチをサンプリングすることを可能にした。
  論文  参考訳（メタデータ） (2023-06-26T20:41:36Z)
• ZigZag: Universal Sampling-free Uncertainty Estimation Through Two-Step Inference [54.17205151960878]
  汎用的でデプロイが容易なサンプリング不要のアプローチを導入します。 我々は,最先端手法と同等の信頼性のある不確実性推定を,計算コストを著しく低減した形で生成する。
  論文  参考訳（メタデータ） (2022-11-21T13:23:09Z)
• Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
  グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。 シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
  論文  参考訳（メタデータ） (2022-10-17T17:30:09Z)
• Quality versus speed in energy demand prediction for district heating systems [3.4057682528839237]
  電力需要予測は、競争力のある電力市場での電力供給において、複合発電システムにおいて不可欠である。 本研究では,(1)E. Dotzauer が提案するアルゴリズムの新たな拡張,(2) 移動平均エネルギー消費に対する週毎の線形回帰に基づく自己回帰予測器を提案する。 これらの2つの手法は、最先端の人工ニューラルネットワークと比較される。
  論文  参考訳（メタデータ） (2022-05-10T15:47:48Z)
• Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
  非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。 我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。 これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-21T13:18:11Z)
• Input Dependent Sparse Gaussian Processes [1.1470070927586014]
  我々は、観測データを入力として受信し、誘導点の位置とパラメータを$q$で出力するニューラルネットワークを使用する。 提案手法をいくつかの実験で評価し,他の最先端のスパース変分GP手法とよく似た性能を示すことを示した。
  論文  参考訳（メタデータ） (2021-07-15T12:19:10Z)
• Energy consumption forecasting using a stacked nonparametric Bayesian approach [3.4449150144113254]
  複数の時系列データを用いて家庭のエネルギー消費を予測する方法について検討する。 我々は,各タスクに適用された各GPの予測後部を,次のレベルGPの事前および可能性に使用するスタック型GP法を構築する。 いくつかの州にまたがるオーストラリアの世帯のエネルギー消費を予測するために,我々のモデルを実世界のデータセットに適用した。
  論文  参考訳（メタデータ） (2020-11-11T02:27:00Z)
• Pathwise Conditioning of Gaussian Processes [72.61885354624604]
  ガウス過程後部をシミュレーションするための従来のアプローチでは、有限個の入力位置のプロセス値の限界分布からサンプルを抽出する。 この分布中心の特徴づけは、所望のランダムベクトルのサイズで3次スケールする生成戦略をもたらす。 条件付けのこのパスワイズ解釈が、ガウス過程の後部を効率的にサンプリングするのに役立てる近似の一般族をいかに生み出すかを示す。
  論文  参考訳（メタデータ） (2020-11-08T17:09:37Z)

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。