論文の概要: Just In Time Transformers

• arxiv url: http://arxiv.org/abs/2410.16881v2
• Date: Fri, 22 Nov 2024 17:47:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-25 18:36:15.300181
• Title: Just In Time Transformers
• Title（参考訳）: Just In Time Transformers
• Authors: Ahmed Ala Eddine Benali, Massimo Cafaro, Italo Epicoco, Marco Pulimeno, Enrico Junior Schioppa,
• Abstract要約: JITtransは,エネルギー消費予測精度を大幅に向上させる,トランスフォーマー深層学習モデルである。 本研究は, エネルギー管理を革新し, 持続可能な電力システムを構築するための先進的な予測技術の可能性を明らかにするものである。
• 参考スコア（独自算出の注目度）: 2.7350304370706797
• License:
• Abstract: Precise energy load forecasting in residential households is crucial for mitigating carbon emissions and enhancing energy efficiency; indeed, accurate forecasting enables utility companies and policymakers, who advocate sustainable energy practices, to optimize resource utilization. Moreover, smart meters provide valuable information by allowing for granular insights into consumption patterns. Building upon available smart meter data, our study aims to cluster consumers into distinct groups according to their energy usage behaviours, effectively capturing a diverse spectrum of consumption patterns. Next, we design JITtrans (Just In Time transformer), a novel transformer deep learning model that significantly improves energy consumption forecasting accuracy, with respect to traditional forecasting methods. Extensive experimental results validate our claims using proprietary smart meter data. Our findings highlight the potential of advanced predictive technologies to revolutionize energy management and advance sustainable power systems: the development of efficient and eco-friendly energy solutions critically depends on such technologies.
• Abstract（参考訳）: 家庭における正確なエネルギー負荷予測は、二酸化炭素排出量の削減とエネルギー効率の向上に不可欠である。 さらに、スマートメーターは、消費パターンに関する詳細な洞察を提供することによって、貴重な情報を提供する。 本研究の目的は、利用可能なスマートメーターデータに基づいて、消費者をエネルギー利用行動に応じて異なるグループに分類し、多様な消費パターンを効果的に捉えることである。 次に,従来の予測手法に関して,エネルギー消費予測精度を大幅に向上させる新しい変圧器深層学習モデルJITtransを設計する。 大規模な実験結果から,プロプライエタリなスマートメーターデータによるクレームの検証が可能となった。 本研究は, エネルギー管理に革命をもたらす先進的予測技術と, 持続可能電力システムの発展の可能性を明らかにするものである。

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)
• Empowering Distributed Solutions in Renewable Energy Systems and Grid Optimization [3.8979646385036175]
  機械学習(ML)の進歩は再生可能エネルギー源の強化とグリッド管理の改善に重要な役割を果たしている。 ビッグデータとMLをスマートグリッドに組み込むことは、エネルギー効率の向上など、いくつかのメリットを提供する。 しかし、大規模なデータボリュームの処理、サイバーセキュリティの確保、専門知識の獲得といった課題に対処する必要がある。
  論文  参考訳（メタデータ） (2023-10-24T02:45:16Z)
• Non-Intrusive Electric Load Monitoring Approach Based on Current Feature Visualization for Smart Energy Management [51.89904044860731]
  我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。 マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
  論文  参考訳（メタデータ） (2023-08-08T04:52:19Z)
• 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)
• Building Energy Efficiency through Advanced Regression Models and Metaheuristic Techniques for Sustainable Management [3.6811136816751513]
  この研究は、建設インフラからの広範な生データを活用して、エネルギー消費パターンを明らかにする。 ラッソ回帰, 決定木, ランダムフォレストモデルを用いて, 建物のエネルギー効率とコスト削減に影響を与える要因について検討した。 メタヒューリスティックな手法を用いて決定木アルゴリズムを改良し,予測精度を向上する。
  論文  参考訳（メタデータ） (2023-05-15T01:21:42Z)
• Distributed Energy Management and Demand Response in Smart Grids: A Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
  本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。 特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
  論文  参考訳（メタデータ） (2022-11-29T01:18:58Z)
• Privacy Preserving Demand Forecasting to Encourage Consumer Acceptance of Smart Energy Meters [4.769747792846004]
  スマートメーターの設置に関する消費者の大きな懸念を和らげるために、エネルギー需要予測のプライバシー保護の必要性を強調します。 高解像度のスマートメーターデータは、占有、習慣、個々の家電の使用など、消費者の家庭の多くのプライベートな側面を露呈することができる。 本研究では,負荷予測を可能にするために,様々な規模でのエネルギー需要予測にフェデレーション学習と呼ばれる分散機械学習の応用を提案する。
  論文  参考訳（メタデータ） (2020-12-14T12:04:34Z)
• Energy Disaggregation with Semi-supervised Sparse Coding [0.0]
  エネルギー分解研究は、集約されたエネルギー消費データを部品機器に分解することを目的としている。 本稿では,エネルギー保全のための大規模家庭用電力利用データセットを用いて,スパース符号化に基づく差別的分散モデルの評価を行った。
  論文  参考訳（メタデータ） (2020-04-20T21:05:25Z)
• 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)
• Towards the Systematic Reporting of the Energy and Carbon Footprints of Machine Learning [68.37641996188133]
  我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。 エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。 炭素排出量削減とエネルギー消費削減のための戦略を提案する。
  論文  参考訳（メタデータ） (2020-01-31T05:12:59Z)

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。