論文の概要: An explainable machine learning approach for energy forecasting at the household level

• arxiv url: http://arxiv.org/abs/2410.14416v1
• Date: Fri, 18 Oct 2024 12:29:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-21 14:27:26.137475
• Title: An explainable machine learning approach for energy forecasting at the household level
• Title（参考訳）: 家庭レベルでのエネルギー予測のための説明可能な機械学習手法
• Authors: Pauline Béraud, Margaux Rioux, Michel Babany, Philippe de La Chevasnerie, Damien Theis, Giacomo Teodori, Chloé Pinguet, Romane Rigaud, François Leclerc,
• Abstract要約: 生産と消費の適切なバランスを見つける鍵となるため、電力の予測は繰り返し研究の話題となっている。 ほとんどの論文は国内規模や地域規模に重点を置いているが、家庭レベルでの関心は少ない。 本稿では,家庭レベルでの電力使用予測の課題を特に対象とする。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Electricity forecasting has been a recurring research topic, as it is key to finding the right balance between production and consumption. While most papers are focused on the national or regional scale, few are interested in the household level. Desegregated forecast is a common topic in Machine Learning (ML) literature but lacks explainability that household energy forecasts require. This paper specifically targets the challenges of forecasting electricity use at the household level. This paper confronts common Machine Learning algorithms to electricity household forecasts, weighing the pros and cons, including accuracy and explainability with well-known key metrics. Furthermore, we also confront them in this paper with the business challenges specific to this sector such as explainability or outliers resistance. We introduce a custom decision tree, aiming at providing a fair estimate of the energy consumption, while being explainable and consistent with human intuition. We show that this novel method allows greater explainability without sacrificing much accuracy. The custom tree methodology can be used in various business use cases but is subject to limitations, such as a lack of resilience with outliers.
• Abstract（参考訳）: 生産と消費の適切なバランスを見つける鍵となるため、電力の予測は繰り返し研究の話題となっている。 ほとんどの論文は国内規模や地域規模に重点を置いているが、家庭レベルでの関心は少ない。 分離予測は機械学習(ML)文学において一般的なトピックであるが、家庭のエネルギー予測が必要とする説明性に欠ける。 本稿では,家庭レベルでの電力使用予測の課題を特に対象とする。 本稿では、一般的な機械学習アルゴリズムを用いて家庭の予測を電気的に予測し、その正確性や説明可能性などについて、よく知られた指標を用いて検討する。 さらに、本論文では、説明可能性や外部抵抗など、この分野に特有なビジネス上の課題についても論じる。 エネルギー消費の公平な推定を目的としたカスタム決定木を導入し、説明可能であり、人間の直感と整合性を持たせる。 本手法は, 精度を犠牲にすることなく, より説明性が高いことを示す。 カスタムツリーの方法論は、さまざまなビジネスユースケースで使用できるが、例えば、外れ値によるレジリエンスの欠如など、制限の対象となっている。

関連論文リスト

• XForecast: Evaluating Natural Language Explanations for Time Series Forecasting [72.57427992446698]
  時系列予測は、特に正確な予測に依存するステークホルダーにとって、意思決定を支援する。 伝統的に説明可能なAI(XAI)メソッドは、機能や時間的重要性を基盤とするものであり、専門家の知識を必要とすることが多い。 時系列データにおける複雑な因果関係のため,予測NLEの評価は困難である。
  論文  参考訳（メタデータ） (2024-10-18T05:16:39Z)
• Deep Learning-Based Weather-Related Power Outage Prediction with Socio-Economic and Power Infrastructure Data [4.4121133971424165]
  本稿では,企業サービス領域を含むセンサストラクタにおける時間ごとの停電確率予測のためのディープラーニングに基づくアプローチを提案する。 2つの異なる深層学習モデル、条件付きマルチ層パーセプトロン(MLP)と非条件付きモデルを開発し、停電確率を予測した。 以上の結果から,センサスレベルでの停電予測の精度を高める上で,社会経済的要因の重要性が示唆された。
  論文  参考訳（メタデータ） (2024-04-03T23:38:31Z)
• Learning to Generate Explainable Stock Predictions using Self-Reflective Large Language Models [54.21695754082441]
  説明可能なストック予測を生成するために,LLM(Large Language Models)を教えるフレームワークを提案する。 反射剤は自己推論によって過去の株価の動きを説明する方法を学ぶ一方、PPOトレーナーは最も可能性の高い説明を生成するためにモデルを訓練する。 我々のフレームワークは従来のディープラーニング法とLLM法の両方を予測精度とマシューズ相関係数で上回ることができる。
  論文  参考訳（メタデータ） (2024-02-06T03:18:58Z)
• Room Occupancy Prediction: Exploring the Power of Machine Learning and Temporal Insights [0.0]
  建物内のエネルギーの保全は、温室効果ガスの排出と気候変動との戦いにとって最重要課題である。 本研究では,多様な機械学習モデルを活用するルーム占有率の予測フレームワークを提案する。 エネルギー効率の良いプラクティスとルーム占有管理を形成する上での機械学習の約束を強調します。
  論文  参考訳（メタデータ） (2023-12-22T04:16:34Z)
• 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)
• News and Load: A Quantitative Exploration of Natural Language Processing Applications for Forecasting Day-ahead Electricity System Demand [0.5432724320036955]
  本研究では、電力需要と社会イベントに関するより曖昧な情報との関係について検討する。 成熟した自然言語処理(NLP)と需要予測技術を用いて行われる。 その結果, 日頭予測は, 単語頻度, 公的な感情, 話題分布, 単語埋め込みなどのテキスト的特徴によって改善された。
  論文  参考訳（メタデータ） (2023-01-18T13:55:08Z)
• Optimization paper production through digitalization by developing an assistance system for machine operators including quality forecast: a concept [50.591267188664666]
  廃紙からの紙の製造は、特にエネルギー消費の観点からも、依然として非常に資源集約的な課題である。 我々は,その利用方法の欠如を特定し,操作支援システムと最先端の機械学習技術を用いた概念の実装を行った。 我々の主な目的は、利用可能なデータを活用するマシンオペレーターに状況に応じた知識を提供することである。
  論文  参考訳（メタデータ） (2022-06-23T09:54:35Z)
• Machine learning applications for electricity market agent-based models: A systematic literature review [68.8204255655161]
  エージェントベースのシミュレーションは、電気市場のダイナミクスをよりよく理解するために使用される。 エージェントベースのモデルは、機械学習と人工知能を統合する機会を提供する。 我々は、エージェントベースの電気市場モデルに適用された機械学習に焦点を当てた2016年から2021年の間に発行された55の論文をレビューする。
  論文  参考訳（メタデータ） (2022-06-05T14:52:26Z)
• Assessing the trade-off between prediction accuracy and interpretability for topic modeling on energetic materials corpora [2.1694433437280765]
  本稿では,3つの文書埋め込み手法を用いて,予測精度と解釈可能性のトレードオフについて検討する。 本研究は,我々のエネルギティクスの専門家チームが作成した新しいラベル付きエネルギティクスデータセットを用いて行った。
  論文  参考訳（メタデータ） (2022-06-01T21:28:21Z)
• Individual Explanations in Machine Learning Models: A Survey for Practitioners [69.02688684221265]
  社会的関連性の高い領域の決定に影響を与える洗練された統計モデルの使用が増加しています。 多くの政府、機関、企業は、アウトプットが人間の解釈可能な方法で説明しにくいため、採用に消極的です。 近年,機械学習モデルに解釈可能な説明を提供する方法として,学術文献が多数提案されている。
  論文  参考訳（メタデータ） (2021-04-09T01:46:34Z)
• 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)

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。