論文の概要: Enhanced N-BEATS for Mid-Term Electricity Demand Forecasting

• arxiv url: http://arxiv.org/abs/2412.02722v1
• Date: Mon, 02 Dec 2024 19:31:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-05 15:09:39.393770
• Title: Enhanced N-BEATS for Mid-Term Electricity Demand Forecasting
• Title（参考訳）: 中期電力需要予測のためのN-BEATSの強化
• Authors: Mateusz Kasprzyk, Paweł Pełka, Boris N. Oreshkin, Grzegorz Dudek,
• Abstract要約: MTLF改善のための改良N-BEATSモデルN-BEATS*を提案する。 オリジナルのN-BEATSアーキテクチャの強みに基づいて、N-BEATS*は2つの重要な変更を導入している。 N-BEATS* は MAPE と RMSE の最低値を達成すると同時に,予測誤差の最小分散を示す。
• 参考スコア（独自算出の注目度）: 6.437261616511725
• License:
• Abstract: This paper presents an enhanced N-BEATS model, N-BEATS*, for improved mid-term electricity load forecasting (MTLF). Building on the strengths of the original N-BEATS architecture, which excels in handling complex time series data without requiring preprocessing or domain-specific knowledge, N-BEATS* introduces two key modifications. (1) A novel loss function -- combining pinball loss based on MAPE with normalized MSE, the new loss function allows for a more balanced approach by capturing both L1 and L2 loss terms. (2) A modified block architecture -- the internal structure of the N-BEATS blocks is adjusted by introducing a destandardization component to harmonize the processing of different time series, leading to more efficient and less complex forecasting tasks. Evaluated on real-world monthly electricity consumption data from 35 European countries, N-BEATS* demonstrates superior performance compared to its predecessor and other established forecasting methods, including statistical, machine learning, and hybrid models. N-BEATS* achieves the lowest MAPE and RMSE, while also exhibiting the lowest dispersion in forecast errors.
• Abstract（参考訳）: 本稿では,MTLFの改善を目的とした改良型N-BEATSモデルN-BEATS*を提案する。 N-BEATSアーキテクチャは、前処理やドメイン固有の知識を必要とせず、複雑な時系列データを扱うのに優れているが、N-BEATS*は2つの重要な変更を導入している。 1)新しいロス関数 -- MAPEに基づくピンボールロスと正規化MSEを組み合わせた新しいロス関数は、L1とL2の両方の損失項をキャプチャすることで、よりバランスのとれたアプローチを可能にする。(2) 改良されたブロックアーキテクチャ -- N-BEATSブロックの内部構造 -- は、異なる時系列の処理を調和させる非標準化コンポーネントを導入して調整され、より効率的でより複雑な予測タスクが実現される。 N-BEATS*は、ヨーロッパの35か国における実世界の電力消費データに基づいて評価され、統計学、機械学習、ハイブリッドモデルなど、従来の予測手法よりも優れた性能を示す。 N-BEATS* は MAPE と RMSE の最低値を達成すると同時に,予測誤差の最小分散を示す。

関連論文リスト

• Renewable Energy Prediction: A Comparative Study of Deep Learning Models for Complex Dataset Analysis [6.857122511301731]
  ディープラーニング(DL)モデルは、再生可能エネルギーデータセットにおける複雑な非線形関係をキャプチャする。 7つの機械学習手法、LSTM, Stacked LSTM, CNN, CNN-LSTM, Time-Distributed Distributed (TD-MLP), Autoencoder (AE)を評価した。 オーバーフィッティングに対処するために、早期停止、ニューロンのドロップアウト、L1、L2の正規化といった規則化技術が適用される。
  論文  参考訳（メタデータ） (2025-01-27T02:10:10Z)
• Preventing Non-intrusive Load Monitoring Privacy Invasion: A Precise Adversarial Attack Scheme for Networked Smart Meters [99.90150979732641]
  本稿では,敵攻撃に基づく革新的な手法を提案する。 このスキームは、NILMモデルがアプライアンスレベルのプライバシに違反するのを効果的に防ぎ、ユーザの正確な請求計算を確実にする。 提案手法はトランスファービリティを示し,他の様々なNILMモデルに適用可能な1つのターゲットモデルから発生する摂動信号を生成する。
  論文  参考訳（メタデータ） (2024-12-22T07:06:46Z)
• Jacobian-Enforced Neural Networks (JENN) for Improved Data Assimilation Consistency in Dynamical Models [0.0]
  機械学習ベースの天気モデルは正確な予測を生成する上で大きな可能性を示してきたが、データ同化タスクに適用した場合に苦労した。 本研究では、ニューラルネットワーク(NN)をエミュレートした力学系におけるDA整合性を高めるために設計された、Jacobian-Enforced Neural Network(JENN)フレームワークを紹介する。
  論文  参考訳（メタデータ） (2024-12-02T00:12:51Z)
• BiT-MamSleep: Bidirectional Temporal Mamba for EEG Sleep Staging [9.917709200378217]
  BiT-MamSleepは,Triple-Resolution CNN(TRCNN)を統合し,効率的なマルチスケール特徴抽出を行う新しいアーキテクチャである。 BiT-MamSleepにはAdaptive Feature Recalibration (AFR)モジュールと時間拡張ブロックが組み込まれている。 4つの公開データセットの実験は、BiT-MamSleepが最先端の手法を大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2024-11-03T14:49:11Z)
• Semi-Federated Learning: Convergence Analysis and Optimization of A Hybrid Learning Framework [70.83511997272457]
  本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。 我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
  論文  参考訳（メタデータ） (2023-10-04T03:32:39Z)
• An Error Correction Mid-term Electricity Load Forecasting Model Based on Seasonal Decomposition [7.943226129691092]
  中期電力負荷予測は電力系統の計画・運用において重要な役割を担っている。 本稿では,既存のLFモデルの動作中の誤り蓄積と転送の問題に対処するため,誤り訂正ベースLF(ECLF)と呼ばれる新しいモデルを提案する。 提案手法は,中国の2都市における実世界の電力負荷データに基づいて評価される。
  論文  参考訳（メタデータ） (2023-06-19T10:17:57Z)
• Efficient GPT Model Pre-training using Tensor Train Matrix Representation [65.96485282393361]
  大規模なトランスフォーマーモデルは数十億のパラメータを特徴としており、デプロイが困難になり、スクラッチからトレーニングコストが禁じられている。 GPT-2アーキテクチャのパラメータ数を削減すべく、完全に接続された層の行列を対応するTrain Matrix(TTM)構造に置き換える。 GPTベースのモデルは最大40%のパラメータを格納し、元のモデルに匹敵するパープレキシティを示す。
  論文  参考訳（メタデータ） (2023-06-05T08:38:25Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• On Minimum Word Error Rate Training of the Hybrid Autoregressive Transducer [40.63693071222628]
  ハイブリッド自己回帰変換器(HAT)の最小単語誤り率(MWER)訓練について検討する。 約3万時間のトレーニングデータを用いた実験から,MWERトレーニングがHATモデルの精度を向上させることを示す。
  論文  参考訳（メタデータ） (2020-10-23T21:16:30Z)

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。