論文の概要: Cyclical Temporal Encoding and Hybrid Deep Ensembles for Multistep Energy Forecasting

• arxiv url: http://arxiv.org/abs/2512.03656v1
• Date: Wed, 03 Dec 2025 10:46:02 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 12:15:07.305498
• Title: Cyclical Temporal Encoding and Hybrid Deep Ensembles for Multistep Energy Forecasting
• Title（参考訳）: 多段階エネルギー予測のための周期的テンポラルエンコーディングとハイブリッドディープアンサンブル
• Authors: Salim Khazem, Houssam Kanso,
• Abstract要約: 本稿では,周期的時間エンコーディングとハイブリッドLSTM-CNNアーキテクチャを統合した統合型ディープラーニングフレームワークを提案する。 我々の知る限り、これは統合短期エネルギー予測フレームワークにおいて、時間エンコーディング、カレンダーベースの特徴、ハイブリッドアンサンブルアーキテクチャを共同で評価する最初の試みである。
• 参考スコア（独自算出の注目度）: 0.8594140167290097
• License:
• Abstract: Accurate electricity consumption forecasting is essential for demand management and smart grid operations. This paper introduces a unified deep learning framework that integrates cyclical temporal encoding with hybrid LSTM-CNN architectures to enhance multistep energy forecasting. We systematically transform calendar-based attributes using sine cosine encodings to preserve periodic structure and evaluate their predictive relevance through correlation analysis. To exploit both long-term seasonal effects and short-term local patterns, we employ an ensemble model composed of an LSTM, a CNN, and a meta-learner of MLP regressors specialized for each forecast horizon. Using a one year national consumption dataset, we conduct an extensive experimental study including ablation analyses with and without cyclical encodings and calendar features and comparisons with established baselines from the literature. Results demonstrate consistent improvements across all seven forecast horizons, with our hybrid model achieving lower RMSE and MAE than individual architectures and prior methods. These findings confirm the benefit of combining cyclical temporal representations with complementary deep learning structures. To our knowledge, this is the first work to jointly evaluate temporal encodings, calendar-based features, and hybrid ensemble architectures within a unified short-term energy forecasting framework.
• Abstract（参考訳）: 需要管理やスマートグリッド運用には,正確な電力消費予測が不可欠である。 本稿では,周期的時間エンコーディングとハイブリッドLSTM-CNNアーキテクチャを統合した統合型ディープラーニングフレームワークを提案する。 周期構造を保存するために正弦コサイン符号化を用いてカレンダーベースの属性を体系的に変換し,相関解析によりそれらの関連性を評価する。 長期的季節効果と短期的局所パターンを両立させるため,各予測地平線に特化しているMLP回帰器のLSTM,CNN,メタラーナーからなるアンサンブルモデルを用いた。 本研究では,1年間の全国消費データを用いて,周期的エンコーディングとカレンダーの特徴を伴わないアブレーション分析と,文献の確立したベースラインとの比較を含む広範な実験を行った。 その結果、7つの予測地平線で一貫した改善が示され、我々のハイブリッドモデルは個々のアーキテクチャや先行手法よりもRMSEとMAEが低いことを示しました。 これらの結果は,周期的時間的表現と相補的な深層学習構造を組み合わせることの利点を裏付けるものである。 我々の知る限り、これは統合短期エネルギー予測フレームワークにおいて、時間エンコーディング、カレンダーベースの特徴、ハイブリッドアンサンブルアーキテクチャを共同で評価する最初の試みである。

関連論文リスト

• TS2Vec-Ensemble: An Enhanced Self-Supervised Framework for Time Series Forecasting [1.2461503242570642]
  本稿では,時系列予測のための新しいハイブリッドフレームワークTS2Vec-Ensembleを紹介する。 我々のアプローチは、周期周期を符号化する明示的でエンジニアリングされた時間特徴を融合することにより、事前訓練されたTS2Vecエンコーダから、強力で暗黙的に学習されたダイナミクスを強化する。 その結果、TS2Vec-Ensembleは標準のTS2Vecベースラインや他の最先端モデルよりも一貫して、大幅に優れていた。
  論文  参考訳（メタデータ） (2025-11-27T12:19:18Z)
• Learning Discrete Bayesian Networks with Hierarchical Dirichlet Shrinkage [52.914168158222765]
  我々はDBNを学習するための包括的なベイズ的フレームワークについて詳述する。 我々は、並列ランゲヴィン提案を用いてマルコフ連鎖モンテカルロ(MCMC)アルゴリズムを新たに提案し、正確な後続サンプルを生成する。 原発性乳癌検体から予後ネットワーク構造を明らかにするために本手法を適用した。
  論文  参考訳（メタデータ） (2025-09-16T17:24:35Z)
• 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)
• PersonalAI: A Systematic Comparison of Knowledge Graph Storage and Retrieval Approaches for Personalized LLM agents [15.524189150821147]
  大規模言語モデル (LLM) とRetrieval-Augmented Generation (RAG) の組み合わせは、複雑な長期的相互作用においてスケールできない。 LLM自体によって自動的に構築・更新される知識グラフに基づくフレキシブルな外部メモリフレームワークを提案する。 AriGraphアーキテクチャに基づいて、標準エッジと2種類のハイパーエッジの両方をサポートする新しいハイブリッドグラフ設計を導入する。 本稿では,TriviaQA,HotpotQA,DiaASQ-demonstratingの3つのベンチマークを用いて,メモリと検索の異なる構成でタスクに応じて最適な性能が得られることを示す。
  論文  参考訳（メタデータ） (2025-06-20T13:52:15Z)
• A Novel Method to Manage Production on Industry 4.0: Forecasting Overall Equipment Efficiency by Time Series with Topological Features [0.0]
  全体的な設備効率(OEE)は重要な製造工程であるが、揮発性の性質は短期的な予測を複雑にしている。 本研究では,時系列分解とトポロジカルデータ解析を組み合わせた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-20T10:04:49Z)
• A Multi-scale Representation Learning Framework for Long-Term Time Series Forecasting [6.344911113059126]
  長期時系列予測(LTSF)は、エネルギー消費や天気予報といった実用的な設定において幅広い用途を提供する。 この研究は、多粒度情報の最適部分利用を含むLTSFの重要な問題に直面している。 提案手法は,様々なスケールにわたる明瞭で同時的な予測を用いて,複雑な時間的ダイナミクスを適切に解き放つ。
  論文  参考訳（メタデータ） (2025-05-13T03:26:44Z)
• 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)
• 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)
• Grid Frequency Forecasting in University Campuses using Convolutional LSTM [0.0]
  本稿では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を用いて,グリッド周波数の堅牢な時間予測モデルを確立する。 個々のConvLSTMモデルは、各キャンパスビルの電力消費データに基づいて訓練され、歴史的傾向に基づいてグリッド周波数を予測する。 アンサンブルモデル(英: Ensemble Model)は、建物固有のモデルから洞察を収集し、キャンパス全体の総合的な予測を提供する。
  論文  参考訳（メタデータ） (2023-10-24T13:53:51Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)

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。