論文の概要: Time Series Forecasting Using a Hybrid Deep Learning Method: A Bi-LSTM Embedding Denoising Auto Encoder Transformer

• arxiv url: http://arxiv.org/abs/2509.17165v1
• Date: Sun, 21 Sep 2025 17:16:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.143139
• Title: Time Series Forecasting Using a Hybrid Deep Learning Method: A Bi-LSTM Embedding Denoising Auto Encoder Transformer
• Title（参考訳）: ハイブリッド深層学習法を用いた時系列予測:自動車エンコーダ変換器を内蔵したBi-LSTM
• Authors: Sahar Koohfar, Wubeshet Woldemariam,
• Abstract要約: 本研究では,BI-LSTM埋め込み型自動エンコーダモデル(BDM)を提案する。 提案モデルの性能をTransformer, CNN, RNN, LSTM, GRUなどのベンチマークモデルと比較することにより評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series data is a prevalent form of data found in various fields. It consists of a series of measurements taken over time. Forecasting is a crucial application of time series models, where future values are predicted based on historical data. Accurate forecasting is essential for making well-informed decisions across industries. When it comes to electric vehicles (EVs), precise predictions play a key role in planning infrastructure development, load balancing, and energy management. This study introduces a BI-LSTM embedding denoising autoencoder model (BDM) designed to address time series problems, focusing on short-term EV charging load prediction. The performance of the proposed model is evaluated by comparing it with benchmark models like Transformer, CNN, RNN, LSTM, and GRU. Based on the results of the study, the proposed model outperforms the benchmark models in four of the five-time steps, demonstrating its effectiveness for time series forecasting. This research makes a significant contribution to enhancing time series forecasting, thereby improving decision-making processes.
• Abstract（参考訳）: 時系列データ(英: Time series data)は、様々な分野で見られるデータの一般的な形式である。 時間の経過とともに測定された一連の測定結果から成っている。 予測は時系列モデルにおいて重要な応用であり、将来の値は過去のデータに基づいて予測される。 正確な予測は、業界全体にわたって良いインフォームドな決定を下すのに不可欠である。 電気自動車(EV)に関しては、正確な予測がインフラ開発の計画、負荷分散、エネルギー管理において重要な役割を果たしている。 本研究では,短期EV充電負荷予測に焦点をあて,時系列問題に対処するBI-LSTM埋め込み型自動エンコーダモデル(BDM)を提案する。 提案モデルの性能をTransformer, CNN, RNN, LSTM, GRUなどのベンチマークモデルと比較することにより評価した。 本研究の結果から,提案手法は5段階のうち4段階においてベンチマークモデルより優れており,時系列予測の有効性が示された。 本研究は時系列予測の強化に大きく貢献し,意思決定プロセスの改善に寄与する。

関連論文リスト

• ARIES: Relation Assessment and Model Recommendation for Deep Time Series Forecasting [54.57031153712623]
  ARIESは時系列特性とモデリング戦略の関係を評価するためのフレームワークである。 実世界の時系列に解釈可能な提案を提供することのできる,最初の深層予測モデルレコメンデータを提案する。
  論文  参考訳（メタデータ） (2025-09-07T13:57:14Z)
• PowerMamba: A Deep State Space Model and Comprehensive Benchmark for Time Series Prediction in Electric Power Systems [6.516425351601512]
  予測結果と実際のグリッド結果のギャップを埋めるために時系列予測モデルが必要である。 従来の状態空間モデルと深層学習を組み合わせた多変量時系列予測モデルを提案する。 5年間の負荷、電力価格、アシラリーサービス価格、再生可能エネルギー生成にまたがるデータセットをリリースする。
  論文  参考訳（メタデータ） (2024-12-09T00:23:34Z)
• Fine-Tuning Pre-trained Large Time Series Models for Prediction of Wind Turbine SCADA Data [6.296946118570559]
  本稿では,風力タービンから収集したSCADAデータの予測における,事前学習型大時系列モデルであるTimerの適用について検討する。 このモデルは、異なる特性を示す2つの風力発電所から得られたデータセットに基づいて微調整された。
  論文  参考訳（メタデータ） (2024-11-30T09:00:24Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
  本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。 事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。 多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
  論文  参考訳（メタデータ） (2024-02-04T06:55:55Z)
• A Transformer-based Framework For Multi-variate Time Series: A Remaining Useful Life Prediction Use Case [4.0466311968093365]
  本研究は,時系列予測のためのエンコーダ変換アーキテクチャに基づくフレームワークを提案する。 C-MAPPSベンチマークデータセットの4セットすべてに対して,提案手法の有効性を検証した。 機械寿命の初期段階と劣化経路のモデル認識を可能にするため, 新たな拡張窓手法が提案された。
  論文  参考訳（メタデータ） (2023-08-19T02:30:35Z)
• Mlinear: Rethink the Linear Model for Time-series Forecasting [9.841293660201261]
  Mlinearは、主に線形層に基づく単純だが効果的な方法である。 複数のデータセット上で広く使われている平均二乗誤差(MSE)を大幅に上回る新しい損失関数を導入する。 提案手法は,PatchTSTを336列長入力で21:3,512列長入力で29:10で有意に上回った。
  論文  参考訳（メタデータ） (2023-05-08T15:54:18Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)

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。