論文の概要: Smart Buildings Energy Consumption Forecasting using Adaptive Evolutionary Ensemble Learning Models

• arxiv url: http://arxiv.org/abs/2506.11864v1
• Date: Fri, 13 Jun 2025 15:13:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.843987
• Title: Smart Buildings Energy Consumption Forecasting using Adaptive Evolutionary Ensemble Learning Models
• Title（参考訳）: 適応的進化的アンサンブル学習モデルを用いたスマートビルのエネルギー消費予測
• Authors: Mehdi Neshat, Menasha Thilakaratne, Mohammed El-Abd, Seyedali Mirjalili, Amir H. Gandomi, John Boland,
• Abstract要約: 本稿では,Baging,Stacking,Vottingの3つのハイブリッドアンサンブル予測モデルと,高速かつ効果的な進化的ハイパーパラメータチューナを組み合わせることを提案する。 ベルギーのモンス州スタンブロークに18個のセンサを設置し, 気象パラメータ, 家電エネルギー使用量, 温度, 湿度, 照明エネルギー消費のハイブリッドデータセットを用いて, 提案したエネルギー予測モデルの性能を評価した。 予測結果は,適応的進化的バッグングモデルが,精度と学習誤差の両方で他の予測モデルを上回ったことを示している。
• 参考スコア（独自算出の注目度）: 23.650796013805937
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Smart buildings are gaining popularity because they can enhance energy efficiency, lower costs, improve security, and provide a more comfortable and convenient environment for building occupants. A considerable portion of the global energy supply is consumed in the building sector and plays a pivotal role in future decarbonization pathways. To manage energy consumption and improve energy efficiency in smart buildings, developing reliable and accurate energy demand forecasting is crucial and meaningful. However, extending an effective predictive model for the total energy use of appliances at the building level is challenging because of temporal oscillations and complex linear and non-linear patterns. This paper proposes three hybrid ensemble predictive models, incorporating Bagging, Stacking, and Voting mechanisms combined with a fast and effective evolutionary hyper-parameters tuner. The performance of the proposed energy forecasting model was evaluated using a hybrid dataset comprising meteorological parameters, appliance energy use, temperature, humidity, and lighting energy consumption from various sections of a building, collected by 18 sensors located in Stambroek, Mons, Belgium. To provide a comparative framework and investigate the efficiency of the proposed predictive model, 15 popular machine learning (ML) models, including two classic ML models, three NNs, a Decision Tree (DT), a Random Forest (RF), two Deep Learning (DL) and six Ensemble models, were compared. The prediction results indicate that the adaptive evolutionary bagging model surpassed other predictive models in both accuracy and learning error. Notably, it achieved accuracy gains of 12.6%, 13.7%, 12.9%, 27.04%, and 17.4% compared to Extreme Gradient Boosting (XGB), Categorical Boosting (CatBoost), GBM, LGBM, and Random Forest (RF).
• Abstract（参考訳）: スマートな建物は、エネルギー効率を高め、コストを低減し、セキュリティを改善し、より快適で便利な環境を提供し、人気を集めている。 世界のエネルギー供給のかなりの部分は建築部門で消費され、将来の脱炭経路において重要な役割を担っている。 スマートな建物におけるエネルギー消費を管理し、エネルギー効率を向上させるために、信頼性と正確なエネルギー需要予測を開発することが重要かつ有意義である。 しかし, 時間的振動と複雑な線形・非線形パターンにより, 建築レベルでの家電の総エネルギー消費予測モデルの拡張は困難である。 本稿では,Baging,Stacking,Vottingの3つのハイブリッドアンサンブル予測モデルと,高速かつ効果的に進化するハイパーパラメータ・チューナを組み合わせることを提案する。 ベルギーのモンス州スタンブロークに18個のセンサを設置し, 気象パラメータ, 家電エネルギー使用量, 温度, 湿度, 照明エネルギー消費のハイブリッドデータセットを用いて, 提案したエネルギー予測モデルの性能を評価した。 2つの古典的MLモデル、3つのNN、決定木(DT)、1つのランダムフォレスト(RF)、2つのディープラーニング(DL)、6つのアンサンブルモデルを含む15の機械学習(ML)モデルを比較検討した。 予測結果は,適応的進化的バッグングモデルが,精度と学習誤差の両方で他の予測モデルを上回ったことを示している。 特に12.6%、13.7%、12.9%、27.04%、および17.4%の精度を、エクストリームグラディエント・ブースティング(XGB)、カテゴリ・ブースティング(CatBoost)、GBM、LGBM、ランダム・フォレスト(RF)と比較して達成した。

関連論文リスト

• Integrating Physics and Data-Driven Approaches: An Explainable and Uncertainty-Aware Hybrid Model for Wind Turbine Power Prediction [1.1270209626877075]
  風力エネルギーセクターの急速な成長は、タービンの運転を最適化する緊急の必要性を浮き彫りにしている。 伝統的な経験的モデルと物理学に基づくモデルは、風速に基づく発電の近似予測を提供する。 データ駆動機械学習手法は、風力タービンモデリングを改善するための有望な道を示す。
  論文  参考訳（メタデータ） (2025-02-11T08:16:48Z)
• TRIZ Method for Urban Building Energy Optimization: GWO-SARIMA-LSTM Forecasting model [0.34028430825850625]
  本研究では, TRIZのイノベーション理論をGWO, SARIMA, LSTMと組み合わせたハイブリッドディープラーニングモデルを提案する。 本実験は,既存モデルと比較して予測誤差が15%減少することを示す。
  論文  参考訳（メタデータ） (2024-10-20T04:46:42Z)
• Global Transformer Architecture for Indoor Room Temperature Forecasting [49.32130498861987]
  本研究は,多室ビルにおける室内温度予測のためのグローバルトランスフォーマーアーキテクチャを提案する。 エネルギー消費を最適化し、HVACシステムに関連する温室効果ガス排出を削減することを目的としている。 本研究は,マルチルームビルにおける室内温度予測にトランスフォーマーアーキテクチャを適用した最初の事例である。
  論文  参考訳（メタデータ） (2023-10-31T14:09:32Z)
• DECODE: Data-driven Energy Consumption Prediction leveraging Historical Data and Environmental Factors in Buildings [1.2891210250935148]
  本稿では,建築エネルギー消費の予測を目的としたLong Short-Term Memory (LSTM)モデルを提案する。 LSTMモデルは、住宅や商業ビルの正確な短時間、中長期のエネルギー予測を提供する。 これは例外的な予測精度を示し、R2スコアは0.97で、平均絶対誤差(MAE)は0.007である。
  論文  参考訳（メタデータ） (2023-09-06T11:02:53Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• Cascaded Deep Hybrid Models for Multistep Household Energy Consumption Forecasting [5.478764356647437]
  本研究は,多段階家庭電力消費予測のための2つのハイブリッドキャスケードモデルを提案する。 提案したハイブリッドモデルでは,既存のマルチステップ電力消費予測手法よりも優れた予測性能が得られる。
  論文  参考訳（メタデータ） (2022-07-06T11:02:23Z)
• 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)
• Sparse MoEs meet Efficient Ensembles [49.313497379189315]
  このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。 Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
  論文  参考訳（メタデータ） (2021-10-07T11:58:35Z)
• Efficient pre-training objectives for Transformers [84.64393460397471]
  本研究はトランスフォーマーモデルにおける高効率事前学習目標について検討する。 マスクトークンの除去と損失時のアウトプット全体の考慮が,パフォーマンス向上に不可欠な選択であることを証明する。
  論文  参考訳（メタデータ） (2021-04-20T00:09:37Z)
• NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
  モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。 イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2020-01-22T00:51:03Z)

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。