論文の概要: Temporal Encoding Strategies for Energy Time Series Prediction

• arxiv url: http://arxiv.org/abs/2503.15456v1
• Date: Wed, 19 Mar 2025 17:36:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:22:37.938770
• Title: Temporal Encoding Strategies for Energy Time Series Prediction
• Title（参考訳）: エネルギー時系列予測のための時間符号化手法
• Authors: Aayam Bansal, Keertan Balaji, Zeus Lalani,
• Abstract要約: 本研究では,時系列データの周期的特徴に正弦波符号化を用いて予測モデルの精度を向上させる手法を提案する。 いくつかの統計的およびアンサンブル機械学習モデルは、提案した正弦波符号化を用いて、エネルギー需要データセットに基づいて訓練された。 結果、ルート平均正方形誤差は12.6%改善し、R2スコアは7.8%増加した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In contemporary power systems, energy consumption prediction plays a crucial role in maintaining grid stability and resource allocation enabling power companies to minimize energy waste and avoid overloading the grid. While there are several research works on energy optimization, they often fail to address the complexities of real-time fluctuations and the cyclic pattern of energy consumption. This work proposes a novel approach to enhance the accuracy of predictive models by employing sinusoidal encoding on periodic features of time-series data. To demonstrate the increase in performance, several statistical and ensemble machine learning models were trained on an energy demand dataset, using the proposed sinusoidal encoding. The performance of these models was then benchmarked against identical models trained on traditional encoding methods. The results demonstrated a 12.6% improvement of Root Mean Squared Error (from 0.5497 to 0.4802) and a 7.8% increase in the R^2 score (from 0.7530 to 0.8118), indicating that the proposed encoding better captures the cyclic nature of temporal patterns than traditional methods. The proposed methodology significantly improves prediction accuracy while maintaining computational efficiency, making it suitable for real-time applications in smart grid systems.
• Abstract（参考訳）: 現代の電力システムでは、電力会社が電力の無駄を最小化し、電力の過負荷を避けることができるように、電力安定と資源配分を維持する上で、エネルギー消費予測が重要な役割を担っている。 エネルギー最適化に関する研究はいくつかあるが、リアルタイム変動の複雑さやエネルギー消費の循環パターンに対処できないことが多い。 本研究では,時系列データの周期的特徴に正弦波符号化を用いて予測モデルの精度を向上させる手法を提案する。 性能向上を示すために,提案した正弦波符号化を用いて,エネルギー需要データセットに基づいて統計的およびアンサンブル機械学習モデルを訓練した。 これらのモデルの性能は、従来の符号化方式で訓練された同一モデルと比較された。 その結果、ルート平均正方形誤差(0.5497から0.4802)は12.6%改善され、R^2スコア(0.7530から0.8118)は7.8%向上した。 提案手法は,計算効率を保ちながら予測精度を大幅に向上し,スマートグリッドシステムにおけるリアルタイムアプリケーションに適した手法である。

関連論文リスト

• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• Generative Spatio-temporal GraphNet for Transonic Wing Pressure Distribution Forecasting [0.0]
  このフレームワークは、オートエンコーダを用いて、高次元の圧力分布データを低次元の潜在空間に圧縮する。 グラフベースの時間層は、過去のデータに基づいて将来の翼圧力を予測するために使用される。 提案フレームワークの有効性は,Benchmark Super critical Wingテストケースへの適用を通じて検証される。
  論文  参考訳（メタデータ） (2024-11-18T14:10:20Z)
• Enhancing Microgrid Performance Prediction with Attention-based Deep Learning Models [0.0]
  本研究の目的は、グリッド不安定性に寄与する電力振動を特徴とするマイクログリッドシステムの運用上の課題に対処することである。 畳み込みとGRU(Gated Recurrent Unit)の強みを活かした統合戦略が提案されている。 このフレームワークは、包括的な負荷予測を行うMulti-Layer Perceptron(MLP)モデルによって固定されている。
  論文  参考訳（メタデータ） (2024-07-20T21:24:11Z)
• Regression prediction algorithm for energy consumption regression in cloud computing based on horned lizard algorithm optimised convolutional neural network-bidirectional gated recurrent unit [2.7959678888027906]
  電力消費はエネルギー効率と正の相関が最も高く,CPU使用量はエネルギー効率と負の相関が最も高い。 そこで本研究では,角化トカゲ最適化アルゴリズムに基づくランダム森林モデルと最適化モデルを提案する。 その結果, 最適化アルゴリズムはエネルギー効率の予測において, より正確かつ確実な性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2024-07-19T16:19:14Z)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• 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)
• Euler State Networks: Non-dissipative Reservoir Computing [3.55810827129032]
  我々はEuSN(Euler State Network)と呼ばれる新しいReservoir Computing(RC)モデルを提案する。 我々の数学的解析は、結果のモデルが一元的有効スペクトル半径とゼロ局所リアプノフ指数に偏り、本質的に安定性の端近くで動作していることを示している。 時系列分類ベンチマークの結果は、EuSNがトレーニング可能なリカレントニューラルネットワークの精度と一致する(あるいは超える)ことを示唆している。
  論文  参考訳（メタデータ） (2022-03-17T15:18:34Z)
• Gradient-free optimization of chaotic acoustics with reservoir computing [6.345523830122166]
  時間平均音響コスト関数を最小化する設計パラメータを求める多目的最適化法を開発した。 この方法は、勾配のないモデルインフォームドと、エコー状態ネットワークに基づく貯水池計算によるデータ駆動である。
  論文  参考訳（メタデータ） (2021-06-17T19:49:45Z)
• Physics-Informed Gaussian Process Regression for Probabilistic States Estimation and Forecasting in Power Grids [67.72249211312723]
  電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。 PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。 提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
  論文  参考訳（メタデータ） (2020-10-09T14:18:31Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Highly Efficient Salient Object Detection with 100K Parameters [137.74898755102387]
  そこで我々は,段階内および複数ステージのマルチスケール機能を効率的に活用するために,フレキシブルな畳み込みモジュールであるOctoConv(gOctConv)を提案する。 我々は、非常に軽量なモデル、すなわちCSNetを構築し、一般的なオブジェクト検出ベンチマークで、約0.2%(100k)の大規模モデルで同等のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-03-12T07:00:46Z)

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。