論文の概要: Forecasting Energy Consumption using Recurrent Neural Networks: A Comparative Analysis

• arxiv url: http://arxiv.org/abs/2601.17110v1
• Date: Fri, 23 Jan 2026 18:14:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.235385
• Title: Forecasting Energy Consumption using Recurrent Neural Networks: A Comparative Analysis
• Title（参考訳）: リカレントニューラルネットワークを用いた予測エネルギー消費の比較分析
• Authors: Abhishek Maity, Viraj Tukarul,
• Abstract要約: 本稿では、リカレントニューラルネットワーク(RNN)とその高度な変種LSTM(Long Short-Term Memory)ネットワークに基づく予測手法を提案する。 本手法は, 過去のエネルギー消費データを, 温度, 湿度, 時間に基づく特徴を含む外部変数と統合する。 実験結果から,LSTMモデルは平均絶対誤差 (MAE) とルート平均正方形誤差 (RMSE) をほぼ上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Accurate short-term energy consumption forecasting is essential for efficient power grid management, resource allocation, and market stability. Traditional time-series models often fail to capture the complex, non-linear dependencies and external factors affecting energy demand. In this study, we propose a forecasting approach based on Recurrent Neural Networks (RNNs) and their advanced variant, Long Short-Term Memory (LSTM) networks. Our methodology integrates historical energy consumption data with external variables, including temperature, humidity, and time-based features. The LSTM model is trained and evaluated on a publicly available dataset, and its performance is compared against a conventional feed-forward neural network baseline. Experimental results show that the LSTM model substantially outperforms the baseline, achieving lower Mean Absolute Error (MAE) and Root Mean Squared Error (RMSE). These findings demonstrate the effectiveness of deep learning models in providing reliable and precise short-term energy forecasts for real-world applications.
• Abstract（参考訳）: 電力グリッドの効率的な管理、資源配分、市場の安定には、正確な短期エネルギー消費予測が不可欠である。 伝統的な時系列モデルは、複雑で非線形な依存やエネルギー需要に影響を与える外部要因を捉えるのに失敗することが多い。 本研究では、リカレントニューラルネットワーク(RNN)とその高度な変種LSTM(Long Short-Term Memory)ネットワークに基づく予測手法を提案する。 本手法は, 過去のエネルギー消費データを, 温度, 湿度, 時間に基づく特徴を含む外部変数と統合する。 LSTMモデルは、公開データセット上でトレーニングされ、評価され、その性能は従来のフィードフォワードニューラルネットワークベースラインと比較される。 実験結果から,LSTMモデルは平均絶対誤差 (MAE) とルート平均正方形誤差 (RMSE) を大きく上回る結果を得た。 これらの結果は,実世界の応用において,信頼性と高精度な短期的エネルギー予測を実現するためのディープラーニングモデルの有効性を示す。

関連論文リスト

• Limitations of Physics-Informed Neural Networks: a Study on Smart Grid Surrogation [29.49941497527361]
  PINNは、物理法則を直接学習フレームワークに組み込むことによって、スマートグリッドモデリングの変革的なアプローチを示す。 本稿では、PINNの機能をスマートグリッドダイナミクスの代理モデルとして評価する。 PINNの優れた一般化と誤り低減におけるデータ駆動モデルの性能を実証する。
  論文  参考訳（メタデータ） (2025-08-29T12:15:32Z)
• TS-LIF: A Temporal Segment Spiking Neuron Network for Time Series Forecasting [27.91825785119938]
  Spiking Neural Networks(SNN)は、時系列予測のためのデータ処理に、有望で生物学的にインスパイアされたアプローチを提供する。 本稿では,デュアルコンパートメントアーキテクチャを特徴とするテンポラルリーキーセグメント統合とファイアモデルを提案する。 実験の結果,TS-LIFは時系列予測において従来のSNNよりも優れていた。
  論文  参考訳（メタデータ） (2025-03-07T03:06:21Z)
• Energy-Aware Dynamic Neural Inference [39.04688735618206]
  エネルギーハーベスターと有限容量エネルギーストレージを備えたオンデバイス適応型推論システムを提案する。 環境エネルギーの速度が増加するにつれて、エネルギー・信頼性を考慮した制御方式は精度を約5%向上させることが示されている。 我々は、信頼性を意識し、認識できないコントローラを理論的に保証する原則的なポリシーを導出する。
  論文  参考訳（メタデータ） (2024-11-04T16:51:22Z)
• Deep Convolutional Neural Networks for Short-Term Multi-Energy Demand Prediction of Integrated Energy Systems [49.1574468325115]
  本稿では,多エネルギー消費予測のための畳み込みニューラルネットワーク(CNN)に基づく新しい6つの予測モデルを開発する。 これらのモデルは、新しい統合型電気・熱・ガスネットワークシステムに包括的に適用される。
  論文  参考訳（メタデータ） (2023-12-24T14:56:23Z)
• 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)
• Short-term Prediction of Household Electricity Consumption Using Customized LSTM and GRU Models [5.8010446129208155]
  本稿では,GRU (Gated Recurrent Unit) とLong Short-Term Memory (LSTM) アーキテクチャを提案する。 電力消費データセットは家庭ごとのスマートメーターから得られた。
  論文  参考訳（メタデータ） (2022-12-16T23:42:57Z)
• RNN(p) for Power Consumption Forecasting [0.896655290787267]
  RNN(p)と呼ばれるp時間ラグで動作する基本リカレントニューラルネットワークは、線形自己回帰モデルARX(p)の自然な一般化である。 本稿では,電力消費予測におけるRNN(p)モデルの2つの応用について述べる。 実験の結果,RNN(p)モデルは高い解釈性を維持しつつ予測精度に優れていた。
  論文  参考訳（メタデータ） (2022-09-03T09:21:39Z)
• Appliance Level Short-term Load Forecasting via Recurrent Neural Network [6.351541960369854]
  本稿では,各家電の消費電力を効率よく予測するSTLFアルゴリズムを提案する。 提案手法は、ディープラーニングにおける強力なリカレントニューラルネットワーク(RNN)アーキテクチャに基づいている。
  論文  参考訳（メタデータ） (2021-11-23T16:56:37Z)
• On Energy-Based Models with Overparametrized Shallow Neural Networks [44.74000986284978]
  エネルギーベースモデル(EBM)は、ジェネレーションモデリングの強力なフレームワークです。 この研究では、浅いニューラルネットワークに焦点を当てます。 我々は、いわゆる「アクティブ」体制で訓練されたモデルが、関連する「怠慢」またはカーネル体制に対して統計的に有利であることを示す。
  論文  参考訳（メタデータ） (2021-04-15T15:34:58Z)

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。