論文の概要: Cross-household Transfer Learning Approach with LSTM-based Demand Forecasting

• arxiv url: http://arxiv.org/abs/2602.14267v1
• Date: Sun, 15 Feb 2026 18:35:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:49.852339
• Title: Cross-household Transfer Learning Approach with LSTM-based Demand Forecasting
• Title（参考訳）: LSTMに基づく需要予測を用いた住宅間移動学習手法
• Authors: Manal Rahal, Bestoun S. Ahmed, Roger Renström, Robert Stener,
• Abstract要約: DELTAiFは,家庭の温水消費をスケーラブルかつ正確に予測するトランスファーラーニング(TL)ベースのフレームワークである。 DELTAiFは、シャワーなどの大規模な温水利用イベントを予測することにより、家庭レベルで適応的でスケーラブルな温水生産を可能にする。
• 参考スコア（独自算出の注目度）: 0.9332987715848714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid increase in residential heat pump (HP) installations, optimizing hot water production in households is essential, yet it faces major technical and scalability challenges. Adapting production to actual household needs requires accurate forecasting of hot water demand to ensure comfort and, most importantly, to reduce energy waste. However, the conventional approach of training separate machine learning models for each household becomes computationally expensive at scale, particularly in cloud-connected HP deployments. This study introduces DELTAiF, a transfer learning (TL) based framework that provides scalable and accurate prediction of household hot water consumption. By predicting large hot water usage events, such as showers, DELTAiF enables adaptive yet scalable hot water production at the household level. DELTAiF leverages learned knowledge from a representative household and fine-tunes it across others, eliminating the need to train separate machine learning models for each HP installation. This approach reduces overall training time by approximately 67 percent while maintaining high predictive accuracy values between 0.874 and 0.991, and mean absolute percentage error values between 0.001 and 0.017. The results show that TL is particularly effective when the source household exhibits regular consumption patterns, enabling hot water demand forecasting at scale.
• Abstract（参考訳）: 住宅用ヒートポンプ(HP)の設置が急速に増加する中、家庭における温水生産の最適化が不可欠である。 実際の家庭の需要に生産を適応させるには、快適さを確保するために、そして最も重要なことは、エネルギーの無駄を減らすために、正確な給湯需要の予測が必要である。 しかし、各家庭で個別の機械学習モデルを訓練する従来の手法は、特にクラウドに接続されたHPデプロイメントにおいて、大規模に計算的に高価になる。 DELTAiFは,家庭の温水消費をスケーラブルかつ正確に予測するトランスファーラーニング(TL)ベースのフレームワークである。 DELTAiFは、シャワーなどの大規模な温水利用イベントを予測することにより、家庭レベルで適応的でスケーラブルな温水生産を可能にする。 DELTAiFは、代表世帯から学んだ知識を活用して、他者に対して微調整することで、HPインストール毎に個別の機械学習モデルをトレーニングする必要がなくなる。 このアプローチは、0.874から0.991の間で高い予測精度を保ちながら、全体のトレーニング時間を約67%短縮し、0.001から0.017までの絶対誤差を平均する。 以上の結果から,源泉世帯が定期的な消費パターンを示す場合にTLは特に有効であり,大規模な給湯需要予測を可能にした。

関連論文リスト

• Data-Driven Heat Pump Management: Combining Machine Learning with Anomaly Detection for Residential Hot Water Systems [0.0]
  本稿では,予測MLと異常検出を組み合わせた適応型温水生産戦略を提案する。 実験の結果,最高の性能を示すLightGBMは優れた性能が得られることがわかった。
  論文  参考訳（メタデータ） (2025-06-03T20:33:08Z)
• Advancing Heat Demand Forecasting with Attention Mechanisms: Opportunities and Challenges [2.979183050755201]
  熱需要に影響を及ぼす独立変数と依存変数の分解されたコンポーネントを特徴として利用し、ヘッド需要予測を多段階に進める深層学習(DL)モデルを構築した。 提案手法は実世界のデータセットを用いて評価し,LSTMおよびCNNに基づく予測モデルに対して予測性能を評価する。
  論文  参考訳（メタデータ） (2025-02-11T13:12:06Z)
• THOR: A Generic Energy Estimation Approach for On-Device Training [34.57867978862375]
  THORは、ディープニューラルネットワーク(DNN)トレーニングにおけるエネルギー消費推定のための一般的なアプローチである。 我々は、様々な現実世界のプラットフォームにまたがる様々なタイプのモデルで広範な実験を行う。 その結果,THORは平均絶対パーセンテージ誤差(MAPE)を最大30%削減した。
  論文  参考訳（メタデータ） (2025-01-27T03:29:02Z)
• Load Forecasting for Households and Energy Communities: Are Deep Learning Models Worth the Effort? [0.0]
  エネルギーコミュニティ(EC)は、地域需要のシフトと自己充足力の向上に重要な役割を果たしている。 データ駆動予測は注目されているが、多くの実践的な文脈ではまだ十分に調査されていない。 本研究は, 地域規模, 歴史的データ可用性, モデルの複雑さなど, 最先端のディープラーニングモデルの有効性を評価する。
  論文  参考訳（メタデータ） (2025-01-09T06:29:50Z)
• Efficient Subseasonal Weather Forecast using Teleconnection-informed Transformers [29.33938664834226]
  季節的な予測は農業、水資源管理、災害の早期警戒に重要である。 機械学習の最近の進歩は、数値モデルに対する競争力のある予測能力を達成することで天気予報に革命をもたらした。 しかし、そのような基礎モデルのトレーニングには何千日ものGPU日が必要であるため、かなりの炭素排出量が発生する。
  論文  参考訳（メタデータ） (2024-01-31T14:27:35Z)
• Global Transformer Architecture for Indoor Room Temperature Forecasting [49.32130498861987]
  本研究は,多室ビルにおける室内温度予測のためのグローバルトランスフォーマーアーキテクチャを提案する。 エネルギー消費を最適化し、HVACシステムに関連する温室効果ガス排出を削減することを目的としている。 本研究は,マルチルームビルにおける室内温度予測にトランスフォーマーアーキテクチャを適用した最初の事例である。
  論文  参考訳（メタデータ） (2023-10-31T14:09:32Z)
• Transfer Learning in Transformer-Based Demand Forecasting For Home Energy Management System [4.573008040057806]
  複数の世帯からのデータを活用して、単一世帯の負荷予測を改善することで、トランスファーラーニングがいかに役立つかを分析する。 具体的には、複数の異なる世帯のデータを用いて高度な予測モデルをトレーニングし、限られたデータを持つ新しい家庭でこのグローバルモデルを微調整する。 得られたモデルは、次の24時間(日頭)の家庭の電力消費を15分間の時間分解能で予測するために使用される。
  論文  参考訳（メタデータ） (2023-10-29T21:19:08Z)
• A Hybrid Model for Forecasting Short-Term Electricity Demand [59.372588316558826]
  現在、英国電気市場は、規制当局が30分毎に発行する負荷(需要)予測によってガイドされている。 本稿では,機能工学(候補予測機能の選択),移動ウィンドウ予測,LSTMエンコーダデコーダを組み合わせたハイブリッド予測モデルHYENAを提案する。
  論文  参考訳（メタデータ） (2022-05-20T22:13:25Z)
• Online Knowledge Distillation for Efficient Pose Estimation [37.81478634850458]
  一段階的に人間の詩構造知識を蒸留し,新しいオンライン知識蒸留フレームワークについて検討する。 OKDHPは単一のマルチブランチネットワークをトレーニングし、予測されたヒートマップをそれぞれ取得する。 画素ワイドのKullback-Leibler分散を利用して、対象ヒートマップと予測値との差を最小限に抑える。
  論文  参考訳（メタデータ） (2021-08-04T14:49:44Z)
• Federated Learning for Short-term Residential Energy Demand Forecasting [4.769747792846004]
  エネルギー需要予測は、需要と供給のバランスを保ち、電力網の安定的な負荷を維持するためにエネルギー産業内で実施される重要な課題である。 供給が信頼性の低い再生可能エネルギー生成へと移行するにつれ、スマートメーターはこれらの予測タスクを支援する上で不可欠な要素であることが証明される。 しかし、プライバシーを意識した消費者は、詳細な消費データへの侵入を恐れている。
  論文  参考訳（メタデータ） (2021-05-27T17:33:09Z)
• Investigating Underlying Drivers of Variability in Residential Energy Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
  スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。 本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
  論文  参考訳（メタデータ） (2021-02-16T16:56:27Z)

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。