Fugu-MT 論文翻訳(概要): Hybrid Approach for Electricity Price Forecasting using AlexNet and LSTM

論文の概要: Hybrid Approach for Electricity Price Forecasting using AlexNet and LSTM

arxiv url: http://arxiv.org/abs/2506.23504v1
Date: Mon, 30 Jun 2025 04:06:24 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-01 21:27:53.914491
Title: Hybrid Approach for Electricity Price Forecasting using AlexNet and LSTM
Title（参考訳）: AlexNet と LSTM を用いた電力価格予測のハイブリッド手法
Authors: Bosubabu Sambana, Kotamsetty Geethika Devi, Bandi Rajeswara Reddy, Galeti Mohammad Hussain, Gownivalla Siddartha,
Abstract要約: AlexNetアルゴリズムとLSTMアルゴリズムを組み合わせて、価格予測の精度の高い新しいモデルを導入する。モデルは過去のデータに基づいて構築されており、需要、温度、日光、雨などの最も重要な要素が供給されている。精度は97.08だったが, 96.64と96.63の精度で, 残りのRNNとANNよりも高い伴奏率を示した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The recent development of advanced machine learning methods for hybrid models has greatly addressed the need for the correct prediction of electrical prices. This method combines AlexNet and LSTM algorithms, which are used to introduce a new model with higher accuracy in price forecasting. Despite RNN and ANN being effective, they often fail to deal with forex time sequence data. The traditional methods do not accurately forecast the prices. These traditional methods only focus on demand and price which leads to insufficient analysis of data. To address this issue, using the hybrid approach, which focuses on external variables that also effect the predicted prices. Nevertheless, due to AlexNet's excellent feature extraction and LSTM's learning sequential patterns, the prediction accuracy is vastly increased. The model is built on the past data, which has been supplied with the most significant elements like demand, temperature, sunlight, and rain. For example, the model applies methods, such as minimum-maximum scaling and a time window, to predict the electricity prices of the future. The results show that this hybrid model is good than the standalone ones in terms of accuracy. Although we got our accuracy rating of 97.08, it shows higher accompaniments than remaining models RNN and ANN with accuracies of 96.64 and 96.63 respectively.
Abstract（参考訳）: 近年のハイブリッドモデルのための高度な機械学習手法の開発は、電気価格の正確な予測の必要性に大きく対処している。この手法はAlexNetとLSTMアルゴリズムを組み合わせて、価格予測の精度の高い新しいモデルを導入する。 RNN と ANN が有効であるにもかかわらず、それらはしばしば、Forex の時系列データを扱うのに失敗する。従来の方法は価格を正確に予測するものではない。これらの伝統的な手法は需要と価格にのみ焦点をあて、データの分析が不十分になる。この問題に対処するため、予測価格にも影響を及ぼす外部変数に焦点を当てたハイブリッドアプローチを用いる。それでも、AlexNetの優れた特徴抽出とLSTMの学習シーケンシャルパターンのため、予測精度は大幅に向上している。モデルは過去のデータに基づいて構築されており、需要、温度、日光、雨などの最も重要な要素が供給されている。例えば、このモデルは、最小限のスケーリングや時間窓などの手法を適用し、将来の電力価格を予測する。その結果、このハイブリッドモデルは、正確性の観点からはスタンドアロンモデルよりも優れていることがわかった。精度は97.08だったが, 96.64と96.63の精度で, 残りのRNNとANNよりも高い伴奏率を示した。

関連論文リスト

A Novel Hybrid Approach Using an Attention-Based Transformer + GRU Model for Predicting Cryptocurrency Prices [0.0]
本稿では,Transformer と Gated Recurrent Unit (GRU) アーキテクチャを統合した新しいディープラーニングハイブリッドモデルを提案する。長距離パターンのキャプチャにおけるTransformerの強みと、GRUの短期トレンドとシーケンシャルトレンドをモデル化する能力を組み合わせることで、ハイブリッドモデルは時系列予測に十分に取り組んだアプローチを提供する。提案モデルと他の4つの機械学習モデルとの比較により,提案モデルの性能を評価する。
論文参考訳（メタデータ） (2025-04-23T20:00:47Z)
TimeSieve: Extracting Temporal Dynamics through Information Bottlenecks [31.10683149519954]
本稿では,時系列予測モデルTimeSieveを提案する。提案手法では、ウェーブレット変換を用いて時系列データを前処理し、マルチスケールの特徴を効果的にキャプチャする。本研究は,時系列予測における課題に対処するためのアプローチの有効性を検証した。
論文参考訳（メタデータ） (2024-06-07T15:58:12Z)
A Study on Stock Forecasting Using Deep Learning and Statistical Models [3.437407981636465]
本稿では、株価予測のための多くのディープラーニングアルゴリズムを概説し、トレーニングとテストにs&p500インデックスデータを用いた。自動回帰積分移動平均モデル、リカレントニューラルネットワークモデル、長い短期モデル、畳み込みニューラルネットワークモデル、完全な畳み込みニューラルネットワークモデルなど、さまざまなモデルについて議論する。
論文参考訳（メタデータ） (2024-02-08T16:45:01Z)
Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
論文参考訳（メタデータ） (2023-04-20T07:29:23Z)
nanoLM: an Affordable LLM Pre-training Benchmark via Accurate Loss Prediction across Scales [65.01417261415833]
我々は,最大更新パラメトリゼーション(muP)がスケーリング法則の正確な適合を可能にするという観測に基づいて,事前学習損失を予測する手法を提案する。トレーニング前コストの約14%で、52Bまでのモデルの損失を正確に予測できる。 NanoLMのゴールは、限られた資源を持つ研究者が大きなモデルで有意義な結論に達することを可能にすることです。
論文参考訳（メタデータ） (2023-04-14T00:45:01Z)
Augmented Bilinear Network for Incremental Multi-Stock Time-Series Classification [83.23129279407271]
本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
論文参考訳（メタデータ） (2022-07-23T18:54:10Z)
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)
Predictive Accuracy of a Hybrid Generalized Long Memory Model for Short Term Electricity Price Forecasting [0.0]
本研究では、一般化長メモリ自己回帰モデル(k-factor GARMA)に基づく新しいハイブリッドモデルの予測性能について検討する。提案モデルの性能を北プール電力市場のデータを用いて評価した。
論文参考訳（メタデータ） (2022-04-18T12:21:25Z)
Developing RNN-T Models Surpassing High-Performance Hybrid Models with Customization Capability [46.73349163361723]
リカレントニューラルネットワークトランスデューサ(Recurrent Neural Network Transducer, RNN-T)は、音声認識のための一般的なハイブリッドモデルを置き換える、有望なエンドツーエンド(E2E)モデルである。トレーニング中のGPUメモリ消費を低減したRNN-Tモデルの最近の開発について述べる。本稿では,RNN-Tモデルを新しいドメインにカスタマイズする方法について検討する。
論文参考訳（メタデータ） (2020-07-30T02:35:20Z)
A Time Series Analysis-Based Stock Price Prediction Using Machine Learning and Deep Learning Models [0.0]
我々は、統計的、機械学習、ディープラーニングモデルの集合から成り立つ、非常に堅牢で正確な株価予測の枠組みを提示する。当社は、インドの国立証券取引所(NSE)に上場している非常に有名な企業の、毎日の株価データを5分間隔で収集しています。統計,機械学習,深層学習を組み合わせたモデル構築の凝集的アプローチは,株価データの揮発性およびランダムな動きパターンから極めて効果的に学習できる,と我々は主張する。
論文参考訳（メタデータ） (2020-04-17T19:41:22Z)

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。