論文の概要: CENTS: Generating synthetic electricity consumption time series for rare and unseen scenarios

• arxiv url: http://arxiv.org/abs/2501.14426v2
• Date: Mon, 27 Jan 2025 18:34:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:55:41.684292
• Title: CENTS: Generating synthetic electricity consumption time series for rare and unseen scenarios
• Title（参考訳）: CENTS:珍しいシナリオと目に見えないシナリオのための合成電力消費時系列生成
• Authors: Michael Fuest, Alfredo Cuesta, Kalyan Veeramachaneni,
• Abstract要約: 本稿では, 希少かつ未知のコンテキスト変数を対象とした高忠実度電力消費時系列データを作成する手法を提案する。 本研究は,家庭レベルの電力消費データを現実的に生成する上で,提案手法の有効性を強調した。
• 参考スコア（独自算出の注目度）: 4.997673761305336
• License:
• Abstract: Recent breakthroughs in large-scale generative modeling have demonstrated the potential of foundation models in domains such as natural language, computer vision, and protein structure prediction. However, their application in the energy and smart grid sector remains limited due to the scarcity and heterogeneity of high-quality data. In this work, we propose a method for creating high-fidelity electricity consumption time series data for rare and unseen context variables (e.g. location, building type, photovoltaics). Our approach, Context Encoding and Normalizing Time Series Generation, or CENTS, includes three key innovations: (i) A context normalization approach that enables inverse transformation for time series context variables unseen during training, (ii) a novel context encoder to condition any state-of-the-art time-series generator on arbitrary numbers and combinations of context variables, (iii) a framework for training this context encoder jointly with a time-series generator using an auxiliary context classification loss designed to increase expressivity of context embeddings and improve model performance. We further provide a comprehensive overview of different evaluation metrics for generative time series models. Our results highlight the efficacy of the proposed method in generating realistic household-level electricity consumption data, paving the way for training larger foundation models in the energy domain on synthetic as well as real-world data.
• Abstract（参考訳）: 大規模生成モデルにおける最近のブレークスルーは、自然言語、コンピュータビジョン、タンパク質構造予測といった分野の基礎モデルの可能性を示している。 しかし、そのエネルギー・スマートグリッド分野への応用は、高品質なデータの不足と不均一性のため、依然として限られている。 本研究では, 希少かつ不明瞭な環境変数(例えば, 位置, ビルディングタイプ, 太陽光発電)に対して, 高忠実度電力消費時系列データを作成する手法を提案する。 私たちのアプローチであるContext Encoding and Normalizing Time Series Generation(CENTS)には3つの重要なイノベーションがあります。 一 トレーニング中に見つからない時系列文脈変数の逆変換を可能にする文脈正規化手法。 (ii)任意の数とコンテキスト変数の組み合わせに対して、最先端の時系列生成を条件付ける新しいコンテキストエンコーダ。 三 この文脈エンコーダを、文脈埋め込みの表現性を高め、モデル性能を向上させるために設計された補助的文脈分類損失を用いて時系列生成器と共同で訓練するためのフレームワーク。 さらに、生成時系列モデルに対する様々な評価指標の包括的概要について述べる。 提案手法は, エネルギー領域における大規模基礎モデルを, 実世界のデータだけでなく, 現実的な家庭レベルの電力消費データを生成する上でも有効であることを示す。

関連論文リスト

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Improving accuracy and convergence of federated learning edge computing methods for generalized DER forecasting applications in power grid [2.1485350418225244]
  本提案は,分散エネルギー資源(DER)予測のためのより正確な連邦学習手法の開発を目的とする。 i) 階層的および反復的クラスタリングのような最近開発されたFLの拡張を活用して、非IIDデータによるパフォーマンスを向上させること、(ii) 時系列データに適したさまざまなFLグローバルモデルの実験を行うこと、(iii) 電力システムからのドメイン固有の知識を取り入れて、より一般的なFLフレームワークやアーキテクチャを構築すること、によって実現される。
  論文  参考訳（メタデータ） (2024-10-13T21:34:00Z)
• TEMPO: Prompt-based Generative Pre-trained Transformer for Time Series Forecasting [24.834846119163885]
  本稿では,時系列表現を効果的に学習できる新しいフレームワークTEMPOを提案する。 TEMPOは、様々な領域のデータから現実世界の時間現象を動的にモデル化する機能を拡張する。
  論文  参考訳（メタデータ） (2023-10-08T00:02:25Z)
• MADS: Modulated Auto-Decoding SIREN for time series imputation [9.673093148930874]
  我々は,暗黙のニューラル表現に基づく時系列計算のための新しい自動デコードフレームワークMADSを提案する。 実世界の2つのデータセット上で本モデルを評価し,時系列計算における最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-03T09:08:47Z)
• MATNet: Multi-Level Fusion Transformer-Based Model for Day-Ahead PV Generation Forecasting [0.47518865271427785]
  MATNetはPV発電予測のための新しい自己アテンショントランスフォーマーベースのアーキテクチャである。 これは、AIパラダイムとPV発電に関する以前の物理的知識を組み合わせたハイブリッドアプローチで構成されている。 その結果,提案アーキテクチャは現在の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-17T14:03:09Z)
• TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
  時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。 本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
  論文  参考訳（メタデータ） (2023-05-19T10:11:21Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• 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)
• Towards Generating Real-World Time Series Data [52.51620668470388]
  時系列データ生成のための新しい生成フレームワーク - RTSGANを提案する。 RTSGANは、時系列インスタンスと固定次元潜在ベクトルの間のマッピングを提供するエンコーダデコーダモジュールを学習する。 不足した値の時系列を生成するために、RTSGANに観測埋め込み層と決定・生成デコーダを更に装備する。
  論文  参考訳（メタデータ） (2021-11-16T11:31:37Z)
• TimeVAE: A Variational Auto-Encoder for Multivariate Time Series Generation [6.824692201913679]
  可変オートエンコーダ(VAE)を用いて時系列データを合成生成する新しいアーキテクチャを提案する。 提案されたアーキテクチャには、解釈可能性、ドメイン知識をエンコードする能力、トレーニング時間の短縮など、いくつかの異なる特性がある。
  論文  参考訳（メタデータ） (2021-11-15T21:42:14Z)
• Partially Conditioned Generative Adversarial Networks [75.08725392017698]
  Generative Adversarial Networks (GAN)は、実世界のトレーニングデータセットの基盤となる確率分布を暗黙的にモデル化することで、人工データセットを合成する。 条件付きGANとその変種の導入により、これらの手法はデータセット内の各サンプルで利用可能な補助情報に基づいて条件付きサンプルを生成するように拡張された。 本研究では,標準条件付きGANがそのようなタスクに適さないことを論じ,新たなAdversarial Networkアーキテクチャとトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-06T15:59:28Z)

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。