論文の概要: A Bidirectional Gated Recurrent Unit Model for PUE Prediction in Data Centers
- arxiv url: http://arxiv.org/abs/2512.20161v1
- Date: Tue, 23 Dec 2025 08:40:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-24 19:17:49.802492
- Title: A Bidirectional Gated Recurrent Unit Model for PUE Prediction in Data Centers
- Title（参考訳）: データセンターにおけるPUE予測のための双方向Gated Recurrent Unit Model
- Authors: Dhivya Dharshini Kannan, Anupam Trivedi, Dipti Srinivasan,
- Abstract要約: エネルギー効率は、気候変動に対処し、エネルギーコストを削減し、競争力を高め、ITと環境の持続可能性を促進するためのコスト効率の方法である。
本稿では,Bidirectional Gated Recurrent Unit (BiGRU) を用いたPUE予測モデルを開発し,モデル性能をGRUと比較した。
次に、BiGRUに基づくPUE予測モデルの性能を平均二乗誤差(MSE)、平均絶対誤差(MAE)、R二乗指標を用いてGRUと比較する。
- 参考スコア（独自算出の注目度）: 5.562984399879219
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data centers account for significant global energy consumption and a carbon footprint. The recent increasing demand for edge computing and AI advancements drives the growth of data center storage capacity. Energy efficiency is a cost-effective way to combat climate change, cut energy costs, improve business competitiveness, and promote IT and environmental sustainability. Thus, optimizing data center energy management is the most important factor in the sustainability of the world. Power Usage Effectiveness (PUE) is used to represent the operational efficiency of the data center. Predicting PUE using Neural Networks provides an understanding of the effect of each feature on energy consumption, thus enabling targeted modifications of those key features to improve energy efficiency. In this paper, we have developed Bidirectional Gated Recurrent Unit (BiGRU) based PUE prediction model and compared the model performance with GRU. The data set comprises 52,560 samples with 117 features using EnergyPlus, simulating a DC in Singapore. Sets of the most relevant features are selected using the Recursive Feature Elimination with Cross-Validation (RFECV) algorithm for different parameter settings. These feature sets are used to find the optimal hyperparameter configuration and train the BiGRU model. The performance of the optimized BiGRU-based PUE prediction model is then compared with that of GRU using mean squared error (MSE), mean absolute error (MAE), and R-squared metrics.
- Abstract（参考訳）: データセンターは世界的なエネルギー消費と二酸化炭素排出量を計上している。
エッジコンピューティングとAIの進歩に対する近年の需要は、データセンターのストレージ容量の増加を加速させている。
エネルギー効率は、気候変動に対処し、エネルギーコストを削減し、競争力を高め、ITと環境の持続可能性を促進するためのコスト効率の方法である。
したがって、データセンターのエネルギー管理を最適化することは、世界の持続可能性において最も重要な要素である。
PUE(Power Usage Effectiveness)は、データセンターの運用効率を表すために用いられる。
ニューラルネットワークを用いたPUE予測は、各特徴がエネルギー消費に与える影響の理解を提供する。
本稿では,Bidirectional Gated Recurrent Unit (BiGRU) を用いたPUE予測モデルを開発し,モデル性能をGRUと比較した。
データセットは52,560個のサンプルからなり、EnergyPlusを使ってシンガポールのDCをシミュレートしている。
最も関連する特徴のセットは、パラメータ設定の異なるRFECV(Recursive Feature Elimination with Cross-Validation)アルゴリズムを用いて選択される。
これらの特徴セットは最適なハイパーパラメータの設定を見つけ、BiGRUモデルを訓練するために使用される。
次に、最適化されたBiGRUベースのPUE予測モデルの性能を平均二乗誤差(MSE)、平均絶対誤差(MAE)、R二乗指標を用いてGRUの予測モデルと比較する。
関連論文リスト
- Tu(r)ning AI Green: Exploring Energy Efficiency Cascading with Orthogonal Optimizations [2.829284162137884]
本稿では, エネルギー効率を第一級市民として, 計算集約パイプラインの基本設計として扱うことを強調する。
5つのAIパイプラインフェーズ(データ、モデル、トレーニング、システム、推論)の戦略的選択によって、カスケード効率が向上することを示す。
組み合わせによってエネルギー消費は94.6ドル%まで減少し、最適化されていないパイプラインの元々のF1スコアの95.95ドル%を維持できる。
論文 参考訳（メタデータ） (2025-06-23T04:52:08Z) - Evaluation of Bio-Inspired Models under Different Learning Settings For Energy Efficiency in Network Traffic Prediction [0.0]
本研究では,SNN(Spike Neural Networks)とESN(Reservoir Computing through Echo State Networks)の2つのバイオインスパイアモデルの可能性について検討した。
評価は予測性能とエネルギー効率の両方に焦点を当てている。
論文 参考訳（メタデータ） (2024-12-23T13:35:53Z) - Cost-Sensitive Multi-Fidelity Bayesian Optimization with Transfer of Learning Curve Extrapolation [55.75188191403343]
各ユーザが事前に定義した機能であるユーティリティを導入し,BOのコストと性能のトレードオフについて述べる。
このアルゴリズムをLCデータセット上で検証した結果,従来のマルチファイルBOや転送BOベースラインよりも優れていた。
論文 参考訳（メタデータ） (2024-05-28T07:38:39Z) - FedWOA: A Federated Learning Model that uses the Whale Optimization
Algorithm for Renewable Energy Prediction [0.0]
本稿では,フェデレート学習モデルについて紹介する。フェデレーション学習モデルは,プロシューマーエネルギーデータに基づいて訓練された局所ニューラルネットワークモデルの重みから,グローバル予測モデルを集約する。
その結果,FedAVGと比較して,MSEでは25%,MAEでは16%の精度でエネルギー予測モデルの精度を効果的に向上できることがわかった。
論文 参考訳（メタデータ） (2023-09-19T05:44:18Z) - Scaling Laws for Sparsely-Connected Foundation Models [70.41266138010657]
大規模データセット上でトレーニングしたトランスフォーマーのスケーリング挙動に及ぼすパラメータ空間の影響について検討する。
重み空間,非ゼロパラメータ数,およびトレーニングデータの量との関係を記述した最初のスケーリング法則を同定する。
論文 参考訳（メタデータ） (2023-09-15T16:29:27Z) - AI-based Optimal scheduling of Renewable AC Microgrids with
bidirectional LSTM-Based Wind Power Forecasting [5.039813366558306]
本稿では, エネルギー貯蔵装置, 風力タービン, マイクロタービンを考慮したマイクログリッドの最適スケジューリング手法を提案する。
短期風力予測問題に対処するために,双方向長期記憶に基づくディープラーニングモデルを提案する。
その結果,マイクログリッドの最適スケジューリングにおいて,提案手法の有効性と効率性を示した。
論文 参考訳（メタデータ） (2022-07-08T14:40:31Z) - Power Modeling for Effective Datacenter Planning and Compute Management [53.41102502425513]
我々は,すべてのハードウェア構成とワークロードに適用可能な,正確でシンプルで解釈可能な統計パワーモデルの設計と検証の2つのクラスについて論じる。
提案された統計的モデリング手法は, 単純かつスケーラブルでありながら, 4つの特徴のみを用いて, 95% 以上の多様な配電ユニット (2000 以上) に対して, 5% 未満の絶対パーセンテージエラー (MAPE) で電力を予測できることを実証した。
論文 参考訳（メタデータ） (2021-03-22T21:22:51Z) - A Framework for Energy and Carbon Footprint Analysis of Distributed and
Federated Edge Learning [48.63610479916003]
本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。
バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。
その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
論文 参考訳（メタデータ） (2021-03-18T16:04:42Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z) - NeurOpt: Neural network based optimization for building energy
management and climate control [58.06411999767069]
モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。
イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
論文 参考訳（メタデータ） (2020-01-22T00:51:03Z)
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。