論文の概要: AI-Based Demand Forecasting and Load Balancing for Optimising Energy use in Healthcare Systems: A real case study

• arxiv url: http://arxiv.org/abs/2507.06077v1
• Date: Tue, 08 Jul 2025 15:16:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:38.255346
• Title: AI-Based Demand Forecasting and Load Balancing for Optimising Energy use in Healthcare Systems: A real case study
• Title（参考訳）: 医療システムにおけるエネルギー利用最適化のためのAIによる需要予測と負荷分散
• Authors: Iman Rahimi, Isha Patel,
• Abstract要約: この研究は、長期記憶(LSTM)、遺伝的アルゴリズム(GA)、医療エネルギー管理に特化したSHAPを組み合わせたAIベースのフレームワークを提案する。 LSTM は ARIMA と Prophet モデルよりも複雑で非線形な需要パターンを予測できる。 遺伝的アルゴリズムを用いて、モデルパラメータの最適化と負荷分散戦略の改善を行い、リアルタイムエネルギー変動に対する適応応答を可能にする。
• 参考スコア（独自算出の注目度）: 0.8287206589886881
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper tackles the urgent need for efficient energy management in healthcare facilities, where fluctuating demands challenge operational efficiency and sustainability. Traditional methods often prove inadequate, causing inefficiencies and higher costs. To address this, the study presents an AI-based framework combining Long Short-Term Memory (LSTM), genetic algorithm (GA), and SHAP (Shapley Additive Explanations), specifically designed for healthcare energy management. Although LSTM is widely used for time-series forecasting, its application in healthcare energy prediction remains underexplored. The results reveal that LSTM significantly outperforms ARIMA and Prophet models in forecasting complex, non-linear demand patterns. LSTM achieves a Mean Absolute Error (MAE) of 21.69 and Root Mean Square Error (RMSE) of 29.96, far better than Prophet (MAE: 59.78, RMSE: 81.22) and ARIMA (MAE: 87.73, RMSE: 125.22), demonstrating superior performance. The genetic algorithm is applied to optimize model parameters and improve load balancing strategies, enabling adaptive responses to real-time energy fluctuations. SHAP analysis further enhances model transparency by explaining the influence of different features on predictions, fostering trust in decision-making processes. This integrated LSTM-GA-SHAP approach offers a robust solution for improving forecasting accuracy, boosting energy efficiency, and advancing sustainability in healthcare facilities. Future research may explore real-time deployment and hybridization with reinforcement learning for continuous optimization. Overall, the study establishes a solid foundation for using AI in healthcare energy management, highlighting its scalability, efficiency, and resilience potential.
• Abstract（参考訳）: 本稿では,医療施設における効率的なエネルギー管理の必要性に対処する。 伝統的な手法は、しばしば不適切であり、非効率性と高いコストを引き起こす。 そこで本研究では、Long Short-Term Memory(LSTM)、GA(GA)、SHAP(Shapley Additive Explanations)を組み合わせたAIベースのフレームワークを提案する。 LSTMは時系列予測に広く用いられているが、医療エネルギー予測への応用はいまだ未検討である。 その結果,LSTM は ARIMA および Prophet モデルよりも複雑で非線形な需要パターンを予測できることがわかった。 LSTMは21.69の平均絶対誤差(MAE)と29.96のルート平均平方誤差(RMSE)を達成し、預言者(MAE:59.78、RMSE:81.22)やARIMA(MAE:87.73、RMSE:125.22)よりもはるかに優れ、優れた性能を示している。 遺伝的アルゴリズムを用いて、モデルパラメータの最適化と負荷分散戦略の改善を行い、リアルタイムエネルギー変動に対する適応応答を可能にする。 SHAP分析は、さまざまな特徴が予測に与える影響を説明し、意思決定プロセスにおける信頼を高めることによって、モデルの透明性をさらに向上させる。 この統合LSTM-GA-SHAPアプローチは、予測精度の向上、エネルギー効率の向上、医療施設の持続可能性向上のための堅牢なソリューションを提供する。 今後の研究は、継続的最適化のための強化学習によるリアルタイムデプロイメントとハイブリダイゼーションを探求する。 全体として、この研究は、医療エネルギー管理にAIを使用するための確かな基盤を確立し、そのスケーラビリティ、効率、レジリエンスの可能性を強調している。

関連論文リスト

• Taming Polysemanticity in LLMs: Provable Feature Recovery via Sparse Autoencoders [50.52694757593443]
  既存のSAEトレーニングアルゴリズムは厳密な数学的保証を欠いていることが多く、実用的な制限に悩まされている。 まず,特徴の特定可能性という新たな概念を含む特徴回復問題の統計的枠組みを提案する。 本稿では、ニューラルネットワークのバイアスパラメータを適応的に調整し、適切なアクティベーション間隔を確保する手法である「バイアス適応」に基づく新たなSAEトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-06-16T20:58:05Z)
• Epidemic Forecasting with a Hybrid Deep Learning Method Using CNN-LSTM With WOA-GWO Parameter Optimization: Global COVID-19 Case Study [0.0]
  本研究では,感染症の時系列予測を推し進める新たな深層学習フレームワークを提案する。 本フレームワークは6大陸24カ国の新型コロナウイルス19症例データに適用した。
  論文  参考訳（メタデータ） (2025-03-17T04:41:26Z)
• QGAPHEnsemble : Combining Hybrid QLSTM Network Ensemble via Adaptive Weighting for Short Term Weather Forecasting [0.0]
  本研究は,高度な機械学習技術を用いた実践的有効性を強調した。 本モデルでは,気象予測の精度と信頼性が大幅に向上したことを示す。 本稿では,天気予報タスクの性能向上のために,最適化アンサンブル技術の重要性を強調した。
  論文  参考訳（メタデータ） (2025-01-18T20:18:48Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• 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)
• Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning Approach [66.53364438507208]
  アクティブな再構成可能なインテリジェントサーフェス(RIS)支援マルチユーザダウンリンク通信システムについて検討した。 非直交多重アクセス(NOMA)はスペクトル効率を向上させるために使用され、活性RISはエネルギー回収(EH)によって駆動される。 ユーザの動的通信状態を予測するために,高度なLSTMベースのアルゴリズムを開発した。 増幅行列と位相シフト行列RISを結合制御するためにDDPGに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-11T13:16:28Z)
• Large Language Models for Healthcare Data Augmentation: An Example on Patient-Trial Matching [49.78442796596806]
  患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。 本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
  論文  参考訳（メタデータ） (2023-03-24T03:14:00Z)
• Resource Planning for Hospitals Under Special Consideration of the COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
  新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。 BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。 BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
  論文  参考訳（メタデータ） (2021-05-16T12:38:35Z)

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。