論文の概要: BiTSA: Leveraging Time Series Foundation Model for Building Energy Analytics

• arxiv url: http://arxiv.org/abs/2412.14175v1
• Date: Wed, 20 Nov 2024 23:49:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-22 09:56:20.644138
• Title: BiTSA: Leveraging Time Series Foundation Model for Building Energy Analytics
• Title（参考訳）: BiTSA:エネルギー分析構築のための時系列基礎モデル
• Authors: Xiachong Lin, Arian Prabowo, Imran Razzak, Hao Xue, Matthew Amos, Sam Behrens, Flora D. Salim,
• Abstract要約: 本稿では対話型可視化ツールBiTSAの設計について述べる。 このツールは、マネージャが複雑なエネルギーデータを素早く解釈し、リアルタイムの洞察に基づいて、即座にデータ駆動のアクションを取ることを可能にする。
• 参考スコア（独自算出の注目度）: 15.525789412274587
• License:
• Abstract: Incorporating AI technologies into digital infrastructure offers transformative potential for energy management, particularly in enhancing energy efficiency and supporting net-zero objectives. However, the complexity of IoT-generated datasets often poses a significant challenge, hindering the translation of research insights into practical, real-world applications. This paper presents the design of an interactive visualization tool, BiTSA. The tool enables building managers to interpret complex energy data quickly and take immediate, data-driven actions based on real-time insights. By integrating advanced forecasting models with an intuitive visual interface, our solution facilitates proactive decision-making, optimizes energy consumption, and promotes sustainable building management practices. BiTSA will empower building managers to optimize energy consumption, control demand-side energy usage, and achieve sustainability goals.
• Abstract（参考訳）: AI技術をデジタルインフラストラクチャに組み込むことは、エネルギー管理、特にエネルギー効率の向上とネットゼロ目標のサポートにおいて、変革的なポテンシャルを提供する。 しかし、IoT生成データセットの複雑さは、研究洞察の現実的なアプリケーションへの変換を妨げるため、大きな課題となることが多い。 本稿では対話型可視化ツールBiTSAの設計について述べる。 このツールは、マネージャが複雑なエネルギーデータを素早く解釈し、リアルタイムの洞察に基づいて、即座にデータ駆動のアクションを取ることを可能にする。 先進的な予測モデルと直感的なビジュアルインターフェースを統合することで,積極的な意思決定を促進し,エネルギー消費を最適化し,持続可能なビル管理の実践を促進する。 BiTSAは、建設管理者にエネルギー消費の最適化、需要側のエネルギー消費の制御、持続可能性目標達成の権限を与える。

関連論文リスト

• AI4EF: Artificial Intelligence for Energy Efficiency in the Building Sector [38.48549968280562]
  AI4EFは、エネルギーの適合性と効率の最適化を構築するための意思決定をサポートするために設計された、高度なユーザー中心のツールである。 AI4EFは機械学習(ML)とデータ駆動の洞察を活用し、利害関係者がエネルギー消費、再適合コスト、環境影響をモデル化し、分析し、予測することを可能にする。
  論文  参考訳（メタデータ） (2024-12-05T10:36:39Z)
• Exploring Capabilities of Time Series Foundation Models in Building Analytics [15.525789412274587]
  モノのインターネット(IoT)ネットワークは、エネルギー消費の管理と最適化を変革した。 公開可能な2つのIoTデータセットの包括的なベンチマークを実施しています。 分析の結果, 単一モードモデルは, 建物におけるデータの変動性と物理的制約の複雑さを克服する上で, 極めて有望であることが示唆された。
  論文  参考訳（メタデータ） (2024-10-28T02:49:22Z)
• Just In Time Transformers [2.7350304370706797]
  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。
  論文  参考訳（メタデータ） (2024-10-22T10:33:00Z)
• A Gap in Time: The Challenge of Processing Heterogeneous IoT Data in Digitalized Buildings [15.525789412274587]
  本研究は, ビル内およびビル間におけるIoTデータの多様性について検討した。 その結果、マルチモーダルデータ統合、ドメインインフォームドモデリング、自動データエンジニアリングパイプラインの必要性が強調された。
  論文  参考訳（メタデータ） (2024-05-23T07:45:48Z)
• 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)
• Intelligent Energy Management with IoT Framework in Smart Cities Using Intelligent Analysis: An Application of Machine Learning Methods for Complex Networks and Systems [0.1393076890612966]
  本稿では,スマートシティのエネルギー管理を目的としたIoTベースのフレームワークについて概観する。 データを収集、保存するだけでなく、監視、制御、システムの効率向上のためのインテリジェントな分析をサポートするシステムに注力する。 この結果から、IoTベースのフレームワークは、スマートな建物におけるエネルギー消費と環境への影響を低減できる重要な可能性を示唆している。
  論文  参考訳（メタデータ） (2023-06-08T21:19:42Z)
• 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)
• Distributed intelligence on the Edge-to-Cloud Continuum: A systematic literature review [62.997667081978825]
  このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。 現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
  論文  参考訳（メタデータ） (2022-04-29T08:06:05Z)
• Learning, Computing, and Trustworthiness in Intelligent IoT Environments: Performance-Energy Tradeoffs [62.91362897985057]
  Intelligent IoT Environment(iIoTe)は、半自律IoTアプリケーションを協調実行可能な異種デバイスで構成されている。 本稿では,これらの技術の現状を概観し,その機能と性能,特にリソース,レイテンシ,プライバシ,エネルギー消費のトレードオフに注目した。
  論文  参考訳（メタデータ） (2021-10-04T19:41:42Z)
• Energy Drain of the Object Detection Processing Pipeline for Mobile Devices: Analysis and Implications [77.00418462388525]
  本稿では、移動体拡張現実(AR)クライアントのエネルギー消費と、畳み込みニューラルネットワーク(CNN)に基づく物体検出を行う際の検出遅延について、初めて詳細な実験を行った。 我々は,移動体ARクライアントのエネルギー分析を精査し,CNNによる物体検出を行う際のエネルギー消費に関するいくつかの興味深い視点を明らかにした。
  論文  参考訳（メタデータ） (2020-11-26T00:32:07Z)
• 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。