論文の概要: Load Forecasting on A Highly Sparse Electrical Load Dataset Using Gaussian Interpolation

• arxiv url: http://arxiv.org/abs/2508.14069v1
• Date: Tue, 12 Aug 2025 03:15:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.149619
• Title: Load Forecasting on A Highly Sparse Electrical Load Dataset Using Gaussian Interpolation
• Title（参考訳）: ガウス補間を用いた高スパース電気負荷データセットの負荷予測
• Authors: Chinmoy Biswas, Nafis Faisal, Vivek Chowdhury, Abrar Al-Shadid Abir, Sabir Mahmud, Mithon Rahman, Shaikh Anowarul Fattah, Hafiz Imtiaz,
• Abstract要約: データセットの欠落やゼロ値の存在として定義されたスパーシリティは、現実のデータセットで運用する上で、大きな課題となることが多い。 本研究では,電力プラントの時給負荷データを用いた約62%のデータセットを,そのデータがワイドセンス定常(WSS)であると仮定した負荷予測に利用できることを示す。 具体的には、データを統計的に分析し、データセット上で複数の機械学習モデルとディープラーニングモデルをトレーニングする。
• 参考スコア（独自算出の注目度）: 0.786975267379228
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sparsity, defined as the presence of missing or zero values in a dataset, often poses a major challenge while operating on real-life datasets. Sparsity in features or target data of the training dataset can be handled using various interpolation methods, such as linear or polynomial interpolation, spline, moving average, or can be simply imputed. Interpolation methods usually perform well with Strict Sense Stationary (SSS) data. In this study, we show that an approximately 62\% sparse dataset with hourly load data of a power plant can be utilized for load forecasting assuming the data is Wide Sense Stationary (WSS), if augmented with Gaussian interpolation. More specifically, we perform statistical analysis on the data, and train multiple machine learning and deep learning models on the dataset. By comparing the performance of these models, we empirically demonstrate that Gaussian interpolation is a suitable option for dealing with load forecasting problems. Additionally, we demonstrate that Long Short-term Memory (LSTM)-based neural network model offers the best performance among a diverse set of classical and neural network-based models.
• Abstract（参考訳）: データセットの欠落やゼロ値の存在として定義されたスパーシリティは、現実のデータセットで運用する上で、大きな課題となることが多い。 トレーニングデータセットの特徴や対象データの分散性は、線形補間や多項式補間、スプライン、移動平均などの様々な補間手法を用いて処理できる。 補間法は通常、SSS(Strict Sense Stationary)データとよく機能する。 本研究では,ガウス補間により拡張された場合,電力プラントの時給負荷データを含む約62\%のスパースデータセットを,Wide Sense Stationary (WSS) と仮定して負荷予測に利用できることを示す。 具体的には、データを統計的に分析し、データセット上で複数の機械学習モデルとディープラーニングモデルをトレーニングする。 これらのモデルの性能を比較することで,負荷予測問題に対するガウス補間が適切な選択肢であることを実証的に示す。 さらに、Long Short-term Memory(LSTM)ベースのニューラルネットワークモデルは、古典的およびニューラルネットワークベースのさまざまなモデルの中で最高のパフォーマンスを提供することを示した。

関連論文リスト

• Towards Data-Efficient Pretraining for Atomic Property Prediction [51.660835328611626]
  タスク関連データセットでの事前トレーニングは、大規模な事前トレーニングと一致するか、あるいは超える可能性があることを示す。 本稿では,コンピュータビジョンのFr'echet Inception Distanceにインスパイアされた,化学類似度指数(CSI)を紹介する。
  論文  参考訳（メタデータ） (2025-02-16T11:46:23Z)
• A Language Model-Guided Framework for Mining Time Series with Distributional Shifts [5.082311792764403]
  本稿では,大規模言語モデルとデータソースインタフェースを用いて時系列データセットを探索・収集する手法を提案する。 収集したデータは外部ソースから得られるが、一次時系列データセットと重要な統計特性を共有できる。 収集されたデータセットは、既存のデータセット、特にデータ分散の変化を効果的に補うことができることを示唆している。
  論文  参考訳（メタデータ） (2024-06-07T20:21:07Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Improving age prediction: Utilizing LSTM-based dynamic forecasting for data augmentation in multivariate time series analysis [16.91773394335563]
  本稿では,Long Short-Term Memory (LSTM) ネットワークを用いた動的予測を利用したデータ拡張検証フレームワークを提案する。 これらの拡張データセットの有効性を、時系列年齢予測タスク用に設計された様々なディープラーニングモデルを用いて、元のデータと比較した。
  論文  参考訳（メタデータ） (2023-12-11T22:47:26Z)
• Pushing the Limits of Pre-training for Time Series Forecasting in the CloudOps Domain [54.67888148566323]
  クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。 強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。 これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
  論文  参考訳（メタデータ） (2023-10-08T08:09:51Z)
• A Dataset Fusion Algorithm for Generalised Anomaly Detection in Homogeneous Periodic Time Series Datasets [0.0]
  データセットフュージョン(Dataset Fusion)とは、複数の同種データセットからの周期的な信号を単一のデータセットに融合するアルゴリズムである。 提案手法は,平均F1スコア0.879で従来の訓練方法よりも有意に優れていた。 その結果、トレーニングデータの6.25%しか使用せず、計算能力の93.7%削減に換算すると、パフォーマンスは4.04%低下することがわかった。
  論文  参考訳（メタデータ） (2023-05-14T16:24:09Z)
• A data filling methodology for time series based on CNN and (Bi)LSTM neural networks [0.0]
  イタリア・ボルツァーノの監視アパートから得られた時系列データギャップを埋めるための2つのDeep Learningモデルを開発した。 提案手法は, 変動するデータの性質を把握し, 対象時系列の再構成に優れた精度を示す。
  論文  参考訳（メタデータ） (2022-04-21T09:40:30Z)
• Towards Synthetic Multivariate Time Series Generation for Flare Forecasting [5.098461305284216]
  データ駆動・レアイベント予測アルゴリズムのトレーニングにおける制限要因の1つは、関心のあるイベントの不足である。 本研究では,データインフォームド・オーバーサンプリングを行う手段として,条件付き生成逆数ネットワーク(CGAN)の有用性を検討する。
  論文  参考訳（メタデータ） (2021-05-16T22:23:23Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)

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。