論文の概要: AutoPQ: Automating Quantile estimation from Point forecasts in the context of sustainability
- arxiv url: http://arxiv.org/abs/2412.00419v1
- Date: Sat, 30 Nov 2024 10:13:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:48:18.747432
- Title: AutoPQ: Automating Quantile estimation from Point forecasts in the context of sustainability
- Title（参考訳）: AutoPQ:持続可能性の文脈におけるポイント予測からの量子推定の自動化
- Authors: Stefan Meisenbacher, Kaleb Phipps, Oskar Taubert, Marie Weiel, Markus Götz, Ralf Mikut, Veit Hagenmeyer,
- Abstract要約: AutoPQは、スマートグリッドアプリケーションの確率予測を自動化し、最適化するために設計された新しい手法である。
条件付き可逆ニューラルネットワーク(cINN)を用いて、既存の点予測から量子予測を生成する。
- 参考スコア（独自算出の注目度）: 0.7249177582307034
- License:
- Abstract: Optimizing smart grid operations relies on critical decision-making informed by uncertainty quantification, making probabilistic forecasting a vital tool. Designing such forecasting models involves three key challenges: accurate and unbiased uncertainty quantification, workload reduction for data scientists during the design process, and limitation of the environmental impact of model training. In order to address these challenges, we introduce AutoPQ, a novel method designed to automate and optimize probabilistic forecasting for smart grid applications. AutoPQ enhances forecast uncertainty quantification by generating quantile forecasts from an existing point forecast by using a conditional Invertible Neural Network (cINN). AutoPQ also automates the selection of the underlying point forecasting method and the optimization of hyperparameters, ensuring that the best model and configuration is chosen for each application. For flexible adaptation to various performance needs and available computing power, AutoPQ comes with a default and an advanced configuration, making it suitable for a wide range of smart grid applications. Additionally, AutoPQ provides transparency regarding the electricity consumption required for performance improvements. We show that AutoPQ outperforms state-of-the-art probabilistic forecasting methods while effectively limiting computational effort and hence environmental impact. Additionally and in the context of sustainability, we quantify the electricity consumption required for performance improvements.
- Abstract（参考訳）: スマートグリッド操作の最適化は、不確実な定量化によって通知される重要な意思決定に依存し、確率的予測が重要なツールとなる。
このような予測モデルの設計には、正確で偏りのない不確実性定量化、設計プロセスにおけるデータサイエンティストのワークロード削減、モデルトレーニングの環境影響の制限という3つの重要な課題がある。
これらの課題に対処するために,スマートグリッドアプリケーションにおける確率予測の自動化と最適化を目的とした新しい手法であるAutoPQを紹介する。
AutoPQは、条件付き可逆ニューラルネットワーク(cINN)を用いて、既存の点予測から量子予測を生成することにより、予測の不確実性定量化を強化する。
AutoPQはまた、基盤となるポイント予測メソッドの選択とハイパーパラメータの最適化を自動化し、各アプリケーションに最適なモデルと設定が選択されることを保証する。
さまざまなパフォーマンスニーズと利用可能なコンピューティングパワーに柔軟に適応するために、AutoPQはデフォルトと高度な構成を備えており、幅広いスマートグリッドアプリケーションに適している。
さらにAutoPQは、パフォーマンス改善に必要な電力消費に関する透明性を提供する。
本稿では,AutoPQが計算作業や環境への影響を効果的に抑えつつ,最先端の確率予測手法より優れていることを示す。
さらに、持続可能性の文脈では、性能改善に必要な電力消費量を定量化する。
関連論文リスト
- Uncertainty-aware Language Modeling for Selective Question Answering [107.47864420630923]
本稿では,不確実性を考慮したLLMを生成するLLM変換手法を提案する。
我々のアプローチはモデルとデータに依存しず、計算効率が高く、外部モデルやシステムに依存しない。
論文 参考訳（メタデータ） (2023-11-26T22:47:54Z) - Pointer Networks with Q-Learning for Combinatorial Optimization [55.2480439325792]
我々は、モデルフリーQ値ポリシー近似をPointer Networks(Ptr-Nets)と統合したハイブリッドニューラルネットワークであるPointer Q-Network(PQN)を紹介する。
実験により,本手法の有効性を実証し,不安定な環境でモデルをテストする。
論文 参考訳（メタデータ） (2023-11-05T12:03:58Z) - Adaptive Dynamic Programming for Energy-Efficient Base Station Cell
Switching [19.520603265594108]
無線ネットワークの省エネは、次世代のセルネットワークの進化に対する需要が増大しているため、重要になっている。
本稿では,ネットワーク電力消費量を減らすために,オンライン最適化と併用して,基地局のセルをオン/オフする近似動的プログラミング(ADP)手法を提案する。
論文 参考訳（メタデータ） (2023-10-05T14:50:12Z) - Differentially Private Deep Q-Learning for Pattern Privacy Preservation
in MEC Offloading [76.0572817182483]
攻撃者は、エッジサーバ(ES)のキュー情報とユーザの使用パターンを推測するために、オフロードの決定を盗み取ることができる。
パターンプライバシ(PP)を維持しつつ,レイテンシ,ESのエネルギー消費,タスク削減率を両立させるオフロード戦略を提案する。
そこで我々はDP-DQOアルゴリズムを開発し,PP問題にノイズを注入することでこの問題に対処する。
論文 参考訳（メタデータ） (2023-02-09T12:50:18Z) - Adaptive Probabilistic Forecasting of Electricity (Net-)Load [0.0]
電力負荷予測は電力システム事業者や電力市場参加者にとって必要な能力である。
局所的な発電、需要応答、熱と輸送の電化は、電力負荷の基本的な要因を変えつつある。
我々は点予測よりも確率的と考えるが、実際、電気系統を効率的にかつ確実に運用するには不確実性が必要である。
論文 参考訳（メタデータ） (2023-01-24T15:56:14Z) - A Meta Reinforcement Learning Approach for Predictive Autoscaling in the
Cloud [10.970391043991363]
本稿では,CPU利用の安定レベルを維持するために資源を最適に割り当てることを目的とした,エンドツーエンドのメタモデルに基づくRLアルゴリズムを提案する。
当社のアルゴリズムは,スケーリング戦略の予測可能性と精度を確保するだけでなく,スケーリング決定が変化するワークロードに高いサンプル効率で適応できるようにする。
論文 参考訳（メタデータ） (2022-05-31T13:54:04Z) - A Reinforcement Learning Framework for PQoS in a Teleoperated Driving
Scenario [18.54699818319184]
PQoS機能を実装したRANレベルで実装された新しいエンティティの設計を提案する。
具体的には,学習者の報酬関数の設計に焦点をあて,要求が満たされない場合,見積もりを適切な対策に変換することができる。
我々は, ns-3シミュレーションを用いて, 遠隔運転のようなシナリオにおいて, エンドユーザーのQoE(Quality of Experience, QoE)パフォーマンスにおいて, 最良のトレードオフを実現することを実証した。
論文 参考訳（メタデータ） (2022-02-04T02:59:16Z) - Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic
Regression [51.770998056563094]
PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。
既存の最先端手法と比較してPGBMの利点を実証的に示す。
論文 参考訳（メタデータ） (2021-06-03T08:32:13Z) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳（メタデータ） (2020-12-23T16:21:34Z) - Probabilistic Load Forecasting Based on Adaptive Online Learning [7.373617024876726]
本稿では,隠れマルコフモデルの適応型オンライン学習に基づく確率的負荷予測手法を提案する。
本稿では,理論的保証のある学習予測手法を提案し,その性能を複数のシナリオで実験的に評価する。
その結果,提案手法は様々なシナリオにおいて既存手法の性能を大幅に向上させることができることがわかった。
論文 参考訳（メタデータ） (2020-11-30T12:02:26Z) - AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。
最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。
さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2020-06-24T23:13:11Z)
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。