論文の概要: Leveraging External Factors in Household-Level Electrical Consumption Forecasting using Hypernetworks

• arxiv url: http://arxiv.org/abs/2506.14472v1
• Date: Tue, 17 Jun 2025 12:35:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.471666
• Title: Leveraging External Factors in Household-Level Electrical Consumption Forecasting using Hypernetworks
• Title（参考訳）: ハイパーネットを用いた家庭レベルの電気消費予測における外部要因の活用
• Authors: Fabien Bernier, Maxime Cordy, Yves Le Traon,
• Abstract要約: ハイパーネットワークアーキテクチャは,グローバルな電力消費予測モデルの精度を高めるために外部要因を活用することができることを示す。 約2年間にわたる包括的データセットを収集し,6000戸以上のルクセンブルク人世帯の消費データを収集した。
• 参考スコア（独自算出の注目度）: 15.77742422761257
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate electrical consumption forecasting is crucial for efficient energy management and resource allocation. While traditional time series forecasting relies on historical patterns and temporal dependencies, incorporating external factors -- such as weather indicators -- has shown significant potential for improving prediction accuracy in complex real-world applications. However, the inclusion of these additional features often degrades the performance of global predictive models trained on entire populations, despite improving individual household-level models. To address this challenge, we found that a hypernetwork architecture can effectively leverage external factors to enhance the accuracy of global electrical consumption forecasting models, by specifically adjusting the model weights to each consumer. We collected a comprehensive dataset spanning two years, comprising consumption data from over 6000 luxembourgish households and corresponding external factors such as weather indicators, holidays, and major local events. By comparing various forecasting models, we demonstrate that a hypernetwork approach outperforms existing methods when associated to external factors, reducing forecasting errors and achieving the best accuracy while maintaining the benefits of a global model.
• Abstract（参考訳）: 正確な電力消費予測は、効率的なエネルギー管理と資源配分に不可欠である。 伝統的な時系列予測は歴史的パターンや時間的依存関係に依存しているが、天気予報などの外部要因を取り入れることで、複雑な現実世界のアプリケーションにおいて予測精度を向上させる可能性がある。 しかしながら、これらの追加機能を含めることで、個々の世帯レベルのモデルの改善にもかかわらず、全人口で訓練された世界的な予測モデルの性能が低下することが多い。 この課題に対処するために、ハイパーネットワークアーキテクチャは、外部要因を効果的に活用し、各消費者に特にモデル重みを調整することで、グローバルな電気消費予測モデルの精度を高めることができることがわかった。 豪華世帯6000世帯の消費データと、気象指標、休日、主要地域イベントなどの外部要因をまとめた総合データセットを2年間にわたって収集した。 種々の予測モデルを比較することにより、ハイパーネットワークアプローチは、外部要因に関連する場合の既存手法よりも優れ、予測誤差を低減し、グローバルモデルの利点を維持しつつ、最良の精度を達成することを実証する。

関連論文リスト

• IISE PG&E Energy Analytics Challenge 2025: Hourly-Binned Regression Models Beat Transformers in Load Forecasting [0.0]
  本研究では,古典的回帰手法から高度なディープラーニングアーキテクチャに至るまで,予測モデルを評価する。 このデータセットには、過去2年間の電力負荷データと、5つの場所にわたる温度およびグローバル水平照射(GHI)が含まれている。 その結果、TimeGPTを含むディープラーニングモデルは、より単純な統計的および機械学習アプローチを一貫して上回りません。
  論文  参考訳（メタデータ） (2025-05-16T15:55:34Z)
• Machine Learning-based Regional Cooling Demand Prediction with Optimised Dataset Partitioning [7.745583292171836]
  都市内建物における冷却需要の正確な予測はエネルギー効率の維持に不可欠である。 本研究では,高分解能Long Short-Term Memory (LSTM) と Gated Recurrent Unit (GRU) ネットワークの汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-04T12:43:33Z)
• Efficient mid-term forecasting of hourly electricity load using generalized additive models [0.0]
  本稿では,解釈可能なP-スプラインから構築したGAMを用いた新しい予測手法を提案する。 提案手法は,9年以上にわたる欧州24カ国の負荷データを用いて評価した。
  論文  参考訳（メタデータ） (2024-05-27T11:41:41Z)
• AI-Powered Predictions for Electricity Load in Prosumer Communities [0.0]
  本稿では,人工知能を用いた短期負荷予測手法を提案する。 その結果、(負荷予測タスクに適応した)持続的項と回帰的項の組み合わせは、最高の予測精度が得られることがわかった。
  論文  参考訳（メタデータ） (2024-02-21T12:23:09Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• Investigating Underlying Drivers of Variability in Residential Energy Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
  スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。 本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
  論文  参考訳（メタデータ） (2021-02-16T16:56:27Z)

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。