論文の概要: SPDNet: Seasonal-Periodic Decomposition Network for Advanced Residential Demand Forecasting

• arxiv url: http://arxiv.org/abs/2503.22485v1
• Date: Fri, 28 Mar 2025 14:51:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-31 19:09:59.728381
• Title: SPDNet: Seasonal-Periodic Decomposition Network for Advanced Residential Demand Forecasting
• Title（参考訳）: SPDNet:高度住宅需要予測のための季節時分割ネットワーク
• Authors: Reza Nematirad, Anil Pahwa, Balasubramaniam Natarajan,
• Abstract要約: 季節周期分解ネットワーク(SPDNet)は、2つの主要なモジュールからなる新しいディープラーニングフレームワークである。 SPDNetは、予測精度と計算効率の両方において、従来のモデルと高度なモデルより優れている。
• 参考スコア（独自算出の注目度）: 0.6554326244334868
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Residential electricity demand forecasting is critical for efficient energy management and grid stability. Accurate predictions enable utility companies to optimize planning and operations. However, real-world residential electricity demand data often exhibit intricate temporal variability, including multiple seasonalities, periodicities, and abrupt fluctuations, which pose significant challenges for forecasting models. Previous models that rely on statistical methods, recurrent, convolutional neural networks, and transformers often struggle to capture these intricate temporal dynamics. To address these challenges, we propose the Seasonal-Periodic Decomposition Network (SPDNet), a novel deep learning framework consisting of two main modules. The first is the Seasonal-Trend Decomposition Module (STDM), which decomposes the input data into trend, seasonal, and residual components. The second is the Periodical Decomposition Module (PDM), which employs the Fast Fourier Transform to identify the dominant periods. For each dominant period, 1D input data is reshaped into a 2D tensor, where rows represent periods and columns correspond to frequencies. The 2D representations are then processed through three submodules: a 1D convolution to capture sharp fluctuations, a transformer-based encoder to model global patterns, and a 2D convolution to capture interactions between periods. Extensive experiments conducted on real-world residential electricity load data demonstrate that SPDNet outperforms traditional and advanced models in both forecasting accuracy and computational efficiency. The code is available in this repository: https://github.com/Tims2D/SPDNet.
• Abstract（参考訳）: 住宅電力需要予測は効率的なエネルギー管理とグリッド安定のために重要である。 正確な予測により、ユーティリティ企業は計画と運用を最適化できる。 しかし、現実の住宅電力需要データは、複数の季節性、周期性、急激な変動など複雑な時間変動を示すことが多く、予測モデルにとって大きな課題となっている。 統計的手法、再帰性、畳み込みニューラルネットワーク、トランスフォーマーに依存する以前のモデルは、複雑な時間的ダイナミクスを捉えるのに苦労することが多い。 これらの課題に対処するために,2つのモジュールからなる新しいディープラーニングフレームワークであるSPDNetを提案する。 ひとつは、入力データをトレンド、季節、残留コンポーネントに分解する、季節指向分解モジュール(STDM)である。 2つ目は周期分解モジュール(PDM)で、Fast Fourier Transformを使って支配的な周期を識別する。 各支配期間について、1D入力データは2Dテンソルに変換され、行は周期を表し、列は周波数に対応する。 2D表現は、シャープなゆらぎを捉える1D畳み込み、大域的なパターンをモデル化するトランスフォーマーベースのエンコーダ、周期間の相互作用を捉える2D畳み込みという3つのサブモジュールによって処理される。 実世界の電力負荷データを用いて行った大規模な実験により、SPDNetは予測精度と計算効率の両方で従来のモデルや先進モデルより優れていることが示された。 コードは、このリポジトリで入手できる。 https://github.com/Tims2D/SPDNet。

関連論文リスト

• Times2D: Multi-Period Decomposition and Derivative Mapping for General Time Series Forecasting [0.6554326244334868]
  時系列予測は、エネルギー管理、交通計画、金融市場、気象学、医学などの分野において重要な応用である。 1次元時系列表現に依存する以前のモデルは、通常複雑な時間変動に苦しむ。 本研究では,1次元時系列を2次元空間に変換するTimes2D法を紹介する。
  論文  参考訳（メタデータ） (2025-03-31T18:08:30Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• sTransformer: A Modular Approach for Extracting Inter-Sequential and Temporal Information for Time-Series Forecasting [6.434378359932152]
  既存のTransformerベースのモデルを,(1)モデル構造の変更,(2)入力データの変更の2つのタイプに分類する。 我々は、シーケンシャル情報と時間情報の両方をフルにキャプチャするSequence and Temporal Convolutional Network(STCN)を導入する$textbfsTransformer$を提案する。 我々は,線形モデルと既存予測モデルとを長期時系列予測で比較し,新たな成果を得た。
  論文  参考訳（メタデータ） (2024-08-19T06:23:41Z)
• FAITH: Frequency-domain Attention In Two Horizons for Time Series Forecasting [13.253624747448935]
  時系列予測は、産業機器の保守、気象学、エネルギー消費、交通流、金融投資など、様々な分野で重要な役割を果たしている。 現在のディープラーニングベースの予測モデルは、予測結果と基礎的真実の間に大きな違いを示すことが多い。 本稿では、時系列をトレンドと季節成分に分解する2つのホライズンズにおける周波数領域注意モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-22T02:37:02Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)
• DuETT: Dual Event Time Transformer for Electronic Health Records [14.520791492631114]
  我々はDuETTアーキテクチャを紹介した。これは、時間とイベントの両タイプにまたがるように設計されたトランスフォーマーの拡張である。 DuETTは集約された入力を使用し、スパース時系列は一定長さの正規シーケンスに変換される。 本モデルでは,MIMIC-IV と PhysioNet-2012 EHR データセットを用いて,複数の下流タスクにおける最先端のディープラーニングモデルより優れています。
  論文  参考訳（メタデータ） (2023-04-25T17:47:48Z)
• FormerTime: Hierarchical Multi-Scale Representations for Multivariate Time Series Classification [53.55504611255664]
  formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。 1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
  論文  参考訳（メタデータ） (2023-02-20T07:46:14Z)
• 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)
• TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis [80.56913334060404]
  時系列解析は、天気予報、異常検出、行動認識などの応用において非常に重要である。 従来の手法では、1D時系列から直接これを達成しようと試みていた。 複雑な経時的変化を、複数の経時的変化と経時的変化に明らかにする。
  論文  参考訳（メタデータ） (2022-10-05T12:19:51Z)
• 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)
• Pattern-based Long Short-term Memory for Mid-term Electrical Load Forecasting [0.0]
  本研究は,1年間の地平線で月次電力需要時系列を予測するためのネットワークを提示する。 この研究の新規性は、分解の代替として季節時系列のパターン表現を使用することである。 欧州35か国における月次電力需要時系列のシミュレーション研究により,提案モデルの高性能性が確認された。
  論文  参考訳（メタデータ） (2020-04-22T08:39:32Z)

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。