論文の概要: Short-Term Regional Electricity Demand Forecasting in Argentina Using LSTM Networks

• arxiv url: http://arxiv.org/abs/2509.19374v1
• Date: Fri, 19 Sep 2025 19:20:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.524282
• Title: Short-Term Regional Electricity Demand Forecasting in Argentina Using LSTM Networks
• Title（参考訳）: LSTMネットワークを用いたアルゼンチンの短期地域電力需要予測
• Authors: Oscar A. Oviedo,
• Abstract要約: 本研究では,アルゼンチン・コルドバ市における短期的時間電力需要予測のためのディープラーニングモデルの開発と最適化について述べる。 このモデルは予測精度が高く、平均絶対パーセンテージ誤差は3.20%、決定係数は0.95である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study presents the development and optimization of a deep learning model based on Long Short-Term Memory (LSTM) networks to predict short-term hourly electricity demand in C\'ordoba, Argentina. Integrating historical consumption data with exogenous variables (climatic factors, temporal cycles, and demographic statistics), the model achieved high predictive precision, with a mean absolute percentage error of 3.20\% and a determination coefficient of 0.95. The inclusion of periodic temporal encodings and weather variables proved crucial to capture seasonal patterns and extreme consumption events, enhancing the robustness and generalizability of the model. In addition to the design and hyperparameter optimization of the LSTM architecture, two complementary analyses were carried out: (i) an interpretability study using Random Forest regression to quantify the relative importance of exogenous drivers, and (ii) an evaluation of model performance in predicting the timing of daily demand maxima and minima, achieving exact-hour accuracy in more than two-thirds of the test days and within abs(1) hour in over 90\% of cases. Together, these results highlight both the predictive accuracy and operational relevance of the proposed framework, providing valuable insights for grid operators seeking optimized planning and control strategies under diverse demand scenarios.
• Abstract（参考訳）: 本研究では,アルゼンチンのC'ordobaにおけるLong Short-Term Memory(LSTM)ネットワークに基づくディープラーニングモデルの開発と最適化について述べる。 過去の消費データを外生変数(気候因子、時間周期、統計統計)と統合し、平均絶対パーセンテージ誤差3.20\%、決定係数0.95で高い予測精度を達成した。 周期的テンポラルエンコーディングと気象変数の導入は、季節パターンと極端な消費イベントを捉え、モデルの堅牢性と一般化性を高めるために不可欠であることが証明された。 LSTMアーキテクチャの設計とハイパーパラメータ最適化に加えて,2つの相補的解析を行った。 (i)外因性ドライバの相対的重要性を定量化するためのランダムフォレスト回帰を用いた解釈可能性研究、及び 2) 日常需要の最大値と最小値のタイミングを予測し, テスト日の3分の2以上で正確な時間精度を達成し, 90%以上で1時間以内のモデル性能を評価すること。 これらの結果は、提案フレームワークの予測精度と運用性の両方を強調し、多様な需要シナリオ下での計画および制御戦略の最適化を求めるグリッドオペレーターに貴重な洞察を提供する。

関連論文リスト

• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• Predicting Grain Growth in Polycrystalline Materials Using Deep Learning Time Series Models [0.9558392439655014]
  結晶成長は材料の機械的挙動に強く影響を与え、その予測がミクロ構造工学の重要な目的となっている。 本研究では、リカレントニューラルネットワーク(RNN)、長期記憶(LSTM)、時間畳み込みネットワーク(TCN)、トランスフォーマーなど、いくつかのディープラーニングアプローチを評価した。 LSTMネットワークは高い精度(90%以上)と最も安定した性能を達成し、拡張水平線上での物理的に一貫した予測を維持した。
  論文  参考訳（メタデータ） (2025-11-07T18:29:42Z)
• Accuracy Law for the Future of Deep Time Series Forecasting [65.46625911002202]
  時系列予測は、部分的に観測可能で不確実な性質のため、本質的にゼロでない誤差の低い境界に直面する。 本稿では、ディープ時系列予測の性能上限をどうやって推定するかという根本的な問題に焦点をあてる。 新たに訓練された2,800以上の深層予測器の厳密な統計的テストに基づいて、深部モデルの最小予測誤差とウィンドウワイズ級数パターンの複雑さとの間に有意な指数関数的関係を見出した。
  論文  参考訳（メタデータ） (2025-10-03T05:18:47Z)
• A Hybrid PCA-PR-Seq2Seq-Adam-LSTM Framework for Time-Series Power Outage Prediction [5.657115189763182]
  本稿では,PCA-PR-Seq2Seq-Adam-LSTMと呼ばれるハイブリッドディープラーニングフレームワークを提案する。 主成分分析(PCA)、Poisson Regression(PR)、Sequence-to-Sequence(Seq2Seq)アーキテクチャ、Adam-Optimized LSTMを統合している。 その結果,提案手法は既存手法と比較して予測精度とロバスト性を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2025-09-20T17:13:25Z)
• 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)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
  本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。 本手法はLSTMの重みと偏りを分割的に最適化する。 イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2023-12-29T08:42:10Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• A comparative assessment of deep learning models for day-ahead load forecasting: Investigating key accuracy drivers [2.572906392867547]
  短期負荷予測(STLF)は電力グリッドとエネルギー市場の効果的かつ経済的な運用に不可欠である。 STLFの文献ではいくつかのディープラーニングモデルが提案されており、有望な結果を報告している。
  論文  参考訳（メタデータ） (2023-02-23T17:11:04Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。