論文の概要: Urban Water Consumption Forecasting Using Deep Learning and Correlated District Metered Areas

• arxiv url: http://arxiv.org/abs/2501.00158v1
• Date: Mon, 30 Dec 2024 22:03:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:17:12.790255
• Title: Urban Water Consumption Forecasting Using Deep Learning and Correlated District Metered Areas
• Title（参考訳）: 深層学習とそれに伴う地域計測地域を用いた都市水消費予測
• Authors: Kleanthis Malialis, Nefeli Mavri, Stelios G. Vrachimis, Marios S. Kyriakou, Demetrios G. Eliades, Marios M. Polycarpou,
• Abstract要約: 本研究は,ディープラーニングを用いたDMA消費の短期予測に焦点を当てた。 そこで本研究では,まずDMAを相関した消費パターンで識別し,そのパターンをDMAのローカルデータとともに,予測のための深層学習モデルへの入力として利用する手法を提案する。 5つのDMAのデータを用いた実世界の研究では、ディープラーニングモデルは古典的な統計モデルよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 4.226603493240535
• License:
• Abstract: Accurate water consumption forecasting is a crucial tool for water utilities and policymakers, as it helps ensure a reliable supply, optimize operations, and support infrastructure planning. Urban Water Distribution Networks (WDNs) are divided into District Metered Areas (DMAs), where water flow is monitored to efficiently manage resources. This work focuses on short-term forecasting of DMA consumption using deep learning and aims to address two key challenging issues. First, forecasting based solely on a DMA's historical data may lack broader context and provide limited insights. Second, DMAs may experience sensor malfunctions providing incorrect data, or some DMAs may not be monitored at all due to computational costs, complicating accurate forecasting. We propose a novel method that first identifies DMAs with correlated consumption patterns and then uses these patterns, along with the DMA's local data, as input to a deep learning model for forecasting. In a real-world study with data from five DMAs, we show that: i) the deep learning model outperforms a classical statistical model; ii) accurate forecasting can be carried out using only correlated DMAs' consumption patterns; and iii) even when a DMA's local data is available, including correlated DMAs' data improves accuracy.
• Abstract（参考訳）: 正確な水消費予測は水道事業や政策立案者にとって重要なツールであり、信頼性の高い供給を確保し、運用を最適化し、インフラ計画を支援する。 都市水分配ネットワーク (WDN) は、水の流れをモニタリングして資源を効率的に管理する地区計測地域 (DMA) に分割されている。 本研究は,ディープラーニングを用いたDMA消費の短期予測に焦点を当て,二つの課題に対処することを目的とする。 第一に、DMAの歴史的データのみに基づく予測は、より広い文脈を欠き、限られた洞察を与える可能性がある。 第二に、DMAは誤ったデータを提供するセンサーの誤動作を経験するかもしれないし、計算コストのため、正確な予測を複雑にしているため、一部のDMAは監視されないかもしれない。 そこで本研究では,まずDMAを相関した消費パターンで識別し,そのパターンをDMAのローカルデータとともに,予測のための深層学習モデルへの入力として利用する手法を提案する。 5つのDMAのデータを用いた現実世界の研究では、こう示しています。 一 深層学習モデルは、古典的な統計モデルより優れていること。 二 相関DMAの消費パターンのみを用いて正確な予測を行うことができること。 三 関連DMAのデータを含むDMAのローカルデータが利用可能である場合でも、精度が向上する。

関連論文リスト

• Extracting Training Data from Unconditional Diffusion Models [32.18993348942877]
  拡散確率モデル(DPM)は、生成人工知能(GenAI)の主流モデルとして採用されている。 本研究では,非条件のDPMからトレーニングデータを抽出するために,生成したデータに対する時間依存型トレーニングデータ抽出(SIDE)を代理条件として活用する新しいデータ抽出手法を提案する。
  論文  参考訳（メタデータ） (2024-10-03T13:17:06Z)
• How Much Data are Enough? Investigating Dataset Requirements for Patch-Based Brain MRI Segmentation Tasks [74.21484375019334]
  ディープニューラルネットワークを確実にトレーニングするには、大規模なデータセットへのアクセスが必要である。 モデル開発に関連する時間的・経済的コストを緩和するためには,満足度の高いモデルをトレーニングするために必要なデータの量を明確に理解することが重要である。 本稿では,パッチベースのセグメンテーションネットワークのトレーニングに必要なアノテートデータの量を推定するための戦略的枠組みを提案する。
  論文  参考訳（メタデータ） (2024-04-04T13:55:06Z)
• Computationally and Memory-Efficient Robust Predictive Analytics Using Big Data [0.0]
  本研究では、データ不確実性、ストレージ制限、ビッグデータを用いた予測データ駆動モデリングの課題をナビゲートする。 本稿では,ロバスト主成分分析(RPCA)を有効ノイズ低減と外乱除去に利用し,最適センサ配置(OSP)を効率的なデータ圧縮・記憶に活用する。
  論文  参考訳（メタデータ） (2024-03-27T22:39:08Z)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• Variational Autoencoder Assisted Neural Network Likelihood RSRP Prediction Model [2.881201648416745]
  MDTデータとデジタルツイン(DT)を利用したRSRP予測のための生成モデルについて検討する。 実世界のデータを用いた提案モデルでは,実証モデルと比較して約20%以上の精度向上が示されている。
  論文  参考訳（メタデータ） (2022-06-27T17:27:35Z)
• Short-Term Load Forecasting Using Time Pooling Deep Recurrent Neural Network [0.0]
  再生可能エネルギー源と電気自動車などの新興負荷をスマートグリッドに統合することは、配電系統管理に不確実性をもたらす。デマンドサイドマネジメント(DSM)は、不確実性を低減するためのアプローチの一つである。 Nonintrusive Load Monitoring (NILM) のようなアプリケーションは DSM をサポートすることができるが、高解像度データの正確な予測は必要である。 高いボラティリティのため、一戸建て住宅のような単一負荷の場合、これは難しい。
  論文  参考訳（メタデータ） (2021-09-26T05:20:48Z)
• CDMA: A Practical Cross-Device Federated Learning Algorithm for General Minimax Problems [21.595391808043484]
  ミニマックス問題は、堅牢な敵対学習やGAN(Generative Adversarial Network)トレーニングを含む、幅広い重要な応用で発生する。 我々は,クロスデバイスFL設定における汎用ミニマックス問題に対して,CDMAと呼ばれる最初の実用的アルゴリズムを開発した。 CDMAはStart-Immediately-With-Enough-Ensponsesメカニズムに基づいており、サーバはまずクライアントのサブセットに信号を送り、各ラウンドで十分なクライアントから応答を受けたときにクライアントが報告したローカル結果の集約を開始する。
  論文  参考訳（メタデータ） (2021-05-29T05:18:02Z)
• Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge Computing [113.52575069030192]
  セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。 通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。 分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。 分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
  論文  参考訳（メタデータ） (2020-10-02T10:41:59Z)
• Machine Learning for Predictive Deployment of UAVs with Multiple Access [37.49465317156625]
  本稿では無人航空機(UAV)の機械学習展開フレームワークについて検討する。 時間的なトラフィック分布のため、将来的なセルトラフィックを予測するために、LSTM(Long Short-term memory)ベースの予測が導入される。 提案手法は従来手法と比較して消費電力の最大24%を削減できる。
  論文  参考訳（メタデータ） (2020-03-02T00:15:09Z)

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。