論文の概要: AutoML Algorithms for Online Generalized Additive Model Selection: Application to Electricity Demand Forecasting

• arxiv url: http://arxiv.org/abs/2503.24019v1
• Date: Mon, 31 Mar 2025 12:46:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:37:32.179542
• Title: AutoML Algorithms for Online Generalized Additive Model Selection: Application to Electricity Demand Forecasting
• Title（参考訳）: オンライン一般化付加モデル選択のためのAutoMLアルゴリズム:電力需要予測への応用
• Authors: Keshav Das, Julie Keisler, Margaux Brégère, Amaury Durand,
• Abstract要約: 電力需要の予測は、供給が需要を満たすことを保証するための鍵となる。 信頼性のある短期予測は、一般化付加モデル(GAM)と状態空間モデルを組み合わせることで得られる。 本研究は, 探索空間の効率的なモデリングを定義することにより, オンライン一般化加法モデル選択の自動化を一般化する。
• 参考スコア（独自算出の注目度）: 0.34952465649465553
• License:
• Abstract: Electricity demand forecasting is key to ensuring that supply meets demand lest the grid would blackout. Reliable short-term forecasts may be obtained by combining a Generalized Additive Models (GAM) with a State-Space model (Obst et al., 2021), leading to an adaptive (or online) model. A GAM is an over-parameterized linear model defined by a formula and a state-space model involves hyperparameters. Both the formula and adaptation parameters have to be fixed before model training and have a huge impact on the model's predictive performance. We propose optimizing them using the DRAGON package of Keisler (2025), originally designed for neural architecture search. This work generalizes it for automated online generalized additive model selection by defining an efficient modeling of the search space (namely, the space of the GAM formulae and adaptation parameters). Its application to short-term French electricity demand forecasting demonstrates the relevance of the approach
• Abstract（参考訳）: 電力需要の予測は、供給が需要を満たすことを保証するための鍵となる。 信頼性の高い短期予測は、GAM(Generalized Additive Models)とステートスペースモデル(Obst et al , 2021)を組み合わせることで得られる。 GAMは式によって定義される過パラメータ化線形モデルであり、状態空間モデルはハイパーパラメータを含む。 公式と適応パラメータの両方をモデルトレーニング前に固定し、モデルの予測性能に大きな影響を与える必要がある。 ニューラルアーキテクチャ探索用に設計されたKeisler(2025)のDRAGONパッケージを用いて最適化する。 本研究は、探索空間の効率的なモデリング(つまり、GAM式と適応パラメータの空間)を定義することにより、オンラインの一般化加法モデルの自動選択を一般化する。 短期フランスの電力需要予測への応用 : アプローチの妥当性を実証する

関連論文リスト

• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• SaRA: High-Efficient Diffusion Model Fine-tuning with Progressive Sparse Low-Rank Adaptation [52.6922833948127]
  本研究では,事前学習した拡散モデルにおけるパラメータの重要性について検討する。 本稿では,これらの非効率パラメータをフル活用するための新しいモデル微調整法を提案する。 本手法は,下流アプリケーションにおける事前学習モデルの生成能力を向上する。
  論文  参考訳（メタデータ） (2024-09-10T16:44:47Z)
• Additive Covariance Matrix Models: Modelling Regional Electricity Net-Demand in Great Britain [0.0]
  我々は、イギリスの電力網を構成する14の地域において、ネット需要の同時分布を予測した。 統合モデリングは、地域ごとの需要変動と地域間の依存関係が、時間的、社会経済的、気象的要因によって異なるという事実によって複雑である。
  論文  参考訳（メタデータ） (2022-11-14T15:27:11Z)
• Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
  本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。 我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
  論文  参考訳（メタデータ） (2022-06-26T10:58:41Z)
• A novel MDPSO-SVR hybrid model for feature selection in electricity consumption forecasting [0.0]
  本研究では,分散粒子群最適化 (MDPSO) を特徴選択に用いた。 MDPSO-SVRモデルは、他の確立されたモデルと比較すると、2つの実世界の電力消費データセットにおいて常に最高の性能を発揮する。
  論文  参考訳（メタデータ） (2022-06-14T07:50:04Z)
• Re-parameterizing Your Optimizers rather than Architectures [119.08740698936633]
  本稿では,モデル固有の事前知識を構造学に取り入れ,汎用モデル(簡易モデル)の学習に使用する新しいパラダイムを提案する。 実装として,モデル固有のハイパーパラメータの集合に従って勾配を変更することによって,事前知識を付加する手法を提案する。 Reprでトレーニングされた単純なモデルに対しては、VGGスタイルのプレーンモデルに注目し、ReprでトレーニングされたそのようなシンプルなモデルがRep-VGGと呼ばれ、最近のよく設計されたモデルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-05-30T16:55:59Z)
• A Hybrid Model for Forecasting Short-Term Electricity Demand [59.372588316558826]
  現在、英国電気市場は、規制当局が30分毎に発行する負荷(需要)予測によってガイドされている。 本稿では,機能工学(候補予測機能の選択),移動ウィンドウ予測,LSTMエンコーダデコーダを組み合わせたハイブリッド予測モデルHYENAを提案する。
  論文  参考訳（メタデータ） (2022-05-20T22:13:25Z)
• Smoothed Bernstein Online Aggregation for Day-Ahead Electricity Demand Forecasting [0.0]
  本稿では,日頭電力需要予測におけるIEEE DataPortコンペティションの勝利方法について述べる。 日頭負荷予測手法は、複数点予測モデルのオンライン予測組み合わせに基づいている。 このアプローチは柔軟で、新型コロナウイルス(COVID-19)のシャットダウンの前後で発生した新しいエネルギーシステムに迅速に適用することができる。
  論文  参考訳（メタデータ） (2021-07-13T17:51:21Z)
• Autoregressive Dynamics Models for Offline Policy Evaluation and Optimization [60.73540999409032]
  表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。 また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-28T16:48:44Z)
• A Data-Driven Machine Learning Approach for Consumer Modeling with Load Disaggregation [1.6058099298620423]
  本稿では,住宅利用者の消費データから導出したデータ駆動セミパラメトリックモデルの汎用クラスを提案する。 第1段階では、固定およびシフト可能なコンポーネントへの負荷の分散をハイブリッドアルゴリズムを用いて達成する。 第2段階では、モデルパラメータはL2ノルム、エプシロン非感受性回帰法を用いて推定される。
  論文  参考訳（メタデータ） (2020-11-04T13:36:11Z)
• Time series forecasting with Gaussian Processes needs priors [1.5877673959068452]
  本稿では,ハイパーパラメータの最適カーネルと信頼性の高い推定法を提案する。 GPモデルは最先端の時系列モデルよりも精度が高い。
  論文  参考訳（メタデータ） (2020-09-17T06:46:51Z)

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。