論文の概要: CROCS: A Two-Stage Clustering Framework for Behaviour-Centric Consumer Segmentation with Smart Meter Data

• arxiv url: http://arxiv.org/abs/2601.10494v1
• Date: Thu, 15 Jan 2026 15:13:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:19.19295
• Title: CROCS: A Two-Stage Clustering Framework for Behaviour-Centric Consumer Segmentation with Smart Meter Data
• Title（参考訳）: CROCS: スマートメータデータによる行動中心消費者セグメンテーションのための2段階クラスタリングフレームワーク
• Authors: Luke W. Yerbury, Ricardo J. G. B. Campello, G. C. Livingston, Mark Goldsworthy, Lachlan O'Neil,
• Abstract要約: 新たな2段階クラスタリングフレームワークであるClustered Consumer Representation (CROCS)を提案する。 最初の段階では、各コンシューマの日次ロードプロファイルは独立してクラスタ化され、代表ロードセット(RLS)を形成します。 第2段階では、コンシューマは、新しいセット・ツー・セット尺度である、Weighted Sum of Minimum Distances (WSMD)を使用してクラスタ化される。
• 参考スコア（独自算出の注目度）: 1.2222488876888666
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With grid operators confronting rising uncertainty from renewable integration and a broader push toward electrification, Demand-Side Management (DSM) -- particularly Demand Response (DR) -- has attracted significant attention as a cost-effective mechanism for balancing modern electricity systems. Unprecedented volumes of consumption data from a continuing global deployment of smart meters enable consumer segmentation based on real usage behaviours, promising to inform the design of more effective DSM and DR programs. However, existing clustering-based segmentation methods insufficiently reflect the behavioural diversity of consumers, often relying on rigid temporal alignment, and faltering in the presence of anomalies, missing data, or large-scale deployments. To address these challenges, we propose a novel two-stage clustering framework -- Clustered Representations Optimising Consumer Segmentation (CROCS). In the first stage, each consumer's daily load profiles are clustered independently to form a Representative Load Set (RLS), providing a compact summary of their typical diurnal consumption behaviours. In the second stage, consumers are clustered using the Weighted Sum of Minimum Distances (WSMD), a novel set-to-set measure that compares RLSs by accounting for both the prevalence and similarity of those behaviours. Finally, community detection on the WSMD-induced graph reveals higher-order prototypes that embody the shared diurnal behaviours defining consumer groups, enhancing the interpretability of the resulting clusters. Extensive experiments on both synthetic and real Australian smart meter datasets demonstrate that CROCS captures intra-consumer variability, uncovers both synchronous and asynchronous behavioural similarities, and remains robust to anomalies and missing data, while scaling efficiently through natural parallelisation. These results...
• Abstract（参考訳）: 電力事業者は再生可能化の不確実性や電化への幅広い取り組みに直面しているため、需要側管理(DSM)、特に需要対応(DR)は、現代の電力システムのバランスをとるための費用対効果のメカニズムとして大きな注目を集めている。 スマートメーターのグローバル展開が継続する中での、前例のない量の消費データは、実際の使用行動に基づいた消費者セグメンテーションを可能にし、より効果的なDSMおよびDRプログラムの設計を通知することを約束する。 しかし、既存のクラスタリングベースのセグメンテーション手法は消費者の行動の多様性を十分に反映しておらず、しばしば厳格な時間的アライメントに依存し、異常や欠落データ、大規模デプロイメントの存在を妨げている。 これらの課題に対処するために、新しい2段階のクラスタリングフレームワークであるClustered Representations Optimising Consumer Segmentation (CROCS)を提案する。 最初の段階では、各コンシューマの日次ロードプロファイルは独立してクラスタ化され、典型的な日次消費行動のコンパクトなサマリを提供する代表負荷セット(RLS)を形成します。 第2段階では、消費者は、それらの行動の有病率と類似性の両方を考慮してRSSを比較する新しいセット・ツー・セット尺度である、Weighted Sum of Minimum Distances (WSMD)を用いてクラスタ化される。 最後に、WSMDによるグラフ上でのコミュニティ検出により、コンシューマーグループを定義する共有日誌の振る舞いを具現化した高次プロトタイプを明らかにし、その結果のクラスタの解釈可能性を高める。 合成および実際のオーストラリアスマートメーターデータセットの広範な実験は、CROCSが消費者内部の変動を捉え、同期と非同期の両方の振る舞いの類似性を明らかにし、異常や欠落したデータに対して堅牢でありながら、自然な並列化を通じて効率よくスケールすることを示した。 これらの結果は...。

関連論文リスト

• Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
  音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。 HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。 このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
  論文  参考訳（メタデータ） (2025-10-05T09:32:12Z)
• C2AL: Cohort-Contrastive Auxiliary Learning for Large-scale Recommendation Systems [7.548682352355034]
  共有埋め込み選択のための因子化機械において,注意機構が重要な役割を担っていることを示す。 本稿では、データセットのサブ構造を分析し、補助学習を通して強力な分布コントラストを持つ構造を明らかにすることで、この問題に対処することを提案する。 このアプローチは、注目層の学習プロセスをカスタマイズし、少数派コホートとの相互情報を保護し、グローバルなパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2025-10-02T17:00:17Z)
• Long-Sequence Recommendation Models Need Decoupled Embeddings [49.410906935283585]
  我々は、既存の長期推薦モデルにおいて無視された欠陥を識別し、特徴付ける。 埋め込みの単一のセットは、注意と表現の両方を学ぶのに苦労し、これら2つのプロセス間の干渉につながります。 本稿では,2つの異なる埋め込みテーブルを別々に学習し,注意と表現を完全に分離する,DARE(Decoupled Attention and Representation Embeddings)モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-03T15:45:15Z)
• A Machine Learning-Based Framework for Clustering Residential Electricity Load Profiles to Enhance Demand Response Programs [0.0]
  実ケーススタディを通じて最適な負荷プロファイルを実現するために,機械学習に基づく新しいフレームワークを提案する。 本稿では,実ケーススタディを通じて最適な負荷プロファイルを実現するために,機械学習に基づく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） (2023-10-31T11:23:26Z)
• Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
  大規模未ラベルデータから学ぶための2つの戦略を提案する。 第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。 第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
  論文  参考訳（メタデータ） (2023-07-26T16:19:19Z)
• Targeted demand response for flexible energy communities using clustering techniques [2.572906392867547]
  目的は、イタリアの分散エネルギーコミュニティにおける消費者の消費行動を変えることである。 一般的な3つの機械学習アルゴリズム、すなわちk-means、k-medoids、集約クラスタリングが採用されている。 本研究で提案される新しい指標,すなわちピークパフォーマンススコア(PPS)を含む複数の指標を用いた手法の評価を行った。
  論文  参考訳（メタデータ） (2023-03-01T02:29:30Z)
• Agglomerative Hierarchical Clustering with Dynamic Time Warping for Household Load Curve Clustering [0.0]
  クライアントを消費パターンに従って分類することで、需要応答(DR)プログラムのために特定の消費者グループをターゲットにすることができる。 我々は、AHC(Agglomerative Hierarchical Clustering)とDTW(Dynamic Time Warping)を組み合わせた形状に基づくアプローチを提案する。 DTWを用いたAHCは、他のクラスタリングアルゴリズムよりも優れており、より少ないクラスタを必要とすることを示す。
  論文  参考訳（メタデータ） (2022-10-18T01:30:25Z)
• Meta Clustering Learning for Large-scale Unsupervised Person Re-identification [124.54749810371986]
  メタクラスタリング学習(MCL)と呼ばれる「大規模タスクのための小さなデータ」パラダイムを提案する。 MCLは、第1フェーズのトレーニングのためにコンピューティングを節約するためにクラスタリングを介して、未ラベルデータのサブセットを擬似ラベル付けするのみである。 提案手法は計算コストを大幅に削減すると同時に,従来よりも優れた性能を実現している。
  論文  参考訳（メタデータ） (2021-11-19T04:10:18Z)

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。