論文の概要: LTPNet Integration of Deep Learning and Environmental Decision Support Systems for Renewable Energy Demand Forecasting

• arxiv url: http://arxiv.org/abs/2410.15286v1
• Date: Sun, 20 Oct 2024 04:53:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:15:42.211404
• Title: LTPNet Integration of Deep Learning and Environmental Decision Support Systems for Renewable Energy Demand Forecasting
• Title（参考訳）: 再生可能エネルギー需要予測のための深層学習と環境意思決定支援システムのLTPNet統合
• Authors: Te Li, Mengze Zhang, Yan Zhou,
• Abstract要約: 本稿では,ディープラーニング技術と環境意思決定支援システムを組み合わせた新しいアプローチを提案する。 このモデルはLSTMやTransformerなどの高度なディープラーニング技術とパラメータ最適化のためのPSOアルゴリズムを統合している。 結果から,本モデルが様々な指標で大幅な改善を達成できたことが示唆された。
• 参考スコア（独自算出の注目度）: 5.240979281331069
• License:
• Abstract: Against the backdrop of increasingly severe global environmental changes, accurately predicting and meeting renewable energy demands has become a key challenge for sustainable business development. Traditional energy demand forecasting methods often struggle with complex data processing and low prediction accuracy. To address these issues, this paper introduces a novel approach that combines deep learning techniques with environmental decision support systems. The model integrates advanced deep learning techniques, including LSTM and Transformer, and PSO algorithm for parameter optimization, significantly enhancing predictive performance and practical applicability. Results show that our model achieves substantial improvements across various metrics, including a 30% reduction in MAE, a 20% decrease in MAPE, a 25% drop in RMSE, and a 35% decline in MSE. These results validate the model's effectiveness and reliability in renewable energy demand forecasting. This research provides valuable insights for applying deep learning in environmental decision support systems.
• Abstract（参考訳）: 世界的な環境変化の激化を背景に、再生可能エネルギー需要の正確な予測と充足は、持続可能なビジネス開発にとって重要な課題となっている。 従来のエネルギー需要予測手法は、複雑なデータ処理と予測精度の低下にしばしば苦労する。 これらの課題に対処するために,ディープラーニング技術と環境意思決定支援システムを組み合わせた新しいアプローチを提案する。 このモデルはLSTMやTransformerといった高度なディープラーニング技術とパラメータ最適化のためのPSOアルゴリズムを統合し、予測性能と実用性を大幅に向上させる。 その結果,MAEの30%削減,MAPEの20%減少,RMSEの25%減少,MSEの35%減少など,各種指標の大幅な改善が得られた。 これらの結果は,再生可能エネルギー需要予測におけるモデルの有効性と信頼性を検証した。 本研究は,環境意思決定支援システムに深層学習を適用する上で貴重な知見を提供する。

関連論文リスト

• TRIZ Method for Urban Building Energy Optimization: GWO-SARIMA-LSTM Forecasting model [0.34028430825850625]
  本研究では, TRIZのイノベーション理論をGWO, SARIMA, LSTMと組み合わせたハイブリッドディープラーニングモデルを提案する。 本実験は,既存モデルと比較して予測誤差が15%減少することを示す。
  論文  参考訳（メタデータ） (2024-10-20T04:46:42Z)
• Impact of ML Optimization Tactics on Greener Pre-Trained ML Models [46.78148962732881]
  本研究の目的は,画像分類データセットと事前学習モデルの解析,最適化モデルと非最適化モデルを比較して推論効率を向上させること,最適化の経済的影響を評価することである。 画像分類におけるPyTorch最適化手法(動的量子化、トーチ・コンパイル、局所プルーニング、グローバルプルーニング)と42のHugging Faceモデルの影響を評価するための制御実験を行った。 動的量子化は推論時間とエネルギー消費の大幅な削減を示し、大規模システムに非常に適している。
  論文  参考訳（メタデータ） (2024-09-19T16:23:03Z)
• See Further for Parameter Efficient Fine-tuning by Standing on the Shoulders of Decomposition [56.87609859444084]
  パラメータ効率の細かいチューニング(PEFT)は、パラメータの選択したサブセットを最適化し、残りを固定し、計算とストレージのオーバーヘッドを大幅に削減することに焦点を当てている。 分解の観点からそれらを分離することで、すべてのアプローチを統一する第一歩を踏み出します。 本稿では,PEFT技術の性能向上を目的とした,単純かつ効果的なフレームワークとともに,新しい2つのPEFT手法を提案する。
  論文  参考訳（メタデータ） (2024-07-07T15:44:42Z)
• EcoMLS: A Self-Adaptation Approach for Architecting Green ML-Enabled Systems [1.0923877073891446]
  ソフトウェアシステム内での省エネの可能性で認識されている自己適応技術は、マシンラーニングの実現可能なシステムにおいて、まだ広く研究されていない。 本研究は、インテリジェントランタイム適応によるMLSサステナビリティ向上の可能性を明らかにする。
  論文  参考訳（メタデータ） (2024-04-17T14:12:47Z)
• Towards Green AI in Fine-tuning Large Language Models via Adaptive Backpropagation [58.550710456745726]
  ファインチューニングは、トレーニング済みの大規模言語モデル(LLM)を下流アプリケーションに適用する最も効果的な方法である。 既存の高速微調整技術は, FLOPの低減に限界がある。 本稿では,異なるテンソルのバックプロパゲーションコストを適応的に評価する新しい手法であるGreenTrainerについて述べる。
  論文  参考訳（メタデータ） (2023-09-22T21:55:18Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• End-to-End Learning with Multiple Modalities for System-Optimised Renewables Nowcasting [0.0]
  本稿では,再生可能電力をエネルギー管理システムの中間として活用するためのマルチモーダル(MM)学習とエンド・ツー・エンド(E2E)学習について検討する。 MMは、再生可能発電を予測するための2つのモダリティとして、オールスキー画像と気象センサデータの特徴を組み合わせる。 MMは、期待されるシステムコストを最小化するモデルのE2Eトレーニングと初めて組み合わせられる。
  論文  参考訳（メタデータ） (2023-04-14T14:20:55Z)
• Uncovering Energy-Efficient Practices in Deep Learning Training: Preliminary Steps Towards Green AI [8.025202812165412]
  我々は、エネルギー消費を精度に等しい重要性の指標とみなし、無関係なタスクやエネルギー使用量を減らす。 持続可能性の観点から深層学習パイプラインの訓練段階について検討する。 ディープラーニングモデルをトレーニングするための革新的で有望なエネルギー効率のプラクティスを強調します。
  論文  参考訳（メタデータ） (2023-03-24T12:48:21Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。