論文の概要: Beyond Weather Correlation: A Comparative Study of Static and Temporal Neural Architectures for Fine-Grained Residential Energy Consumption Forecasting in Melbourne, Australia

• arxiv url: http://arxiv.org/abs/2604.12304v1
• Date: Tue, 14 Apr 2026 05:23:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.257305
• Title: Beyond Weather Correlation: A Comparative Study of Static and Temporal Neural Architectures for Fine-Grained Residential Energy Consumption Forecasting in Melbourne, Australia
• Title（参考訳）: 気象相関を超えて:オーストラリア・メルボルンにおける細粒住宅エネルギー消費予測のための静的ニューラルネットワークと時間的ニューラルネットワークの比較研究
• Abstract要約: スマートグリッド管理においては,短期住宅エネルギー消費予測が重要である。 静的な気象学的特徴だけでは、オーストラリアの家庭では微細な(5分間)時間分解能が調査されていない。 本稿では,MLP(Multilayer Perceptron)とLong Short-Term Memory(Long Short-Term Memory,LSTM)を実世界のメルボルン家庭に適用した,厳密な経験的比較を行った。
• 参考スコア（独自算出の注目度）: 2.5565693519130677
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate short-term residential energy consumption forecasting at sub-hourly resolution is critical for smart grid management, demand response programmes, and renewable energy integration. While weather variables are widely acknowledged as key drivers of residential electricity demand, the relative merit of incorporating temporal autocorrelation - the sequential memory of past consumption; over static meteorological features alone remains underexplored at fine-grained (5-minute) temporal resolution for Australian households. This paper presents a rigorous empirical comparison of a Multilayer Perceptron (MLP) and a Long Short-Term Memory (LSTM) recurrent network applied to two real-world Melbourne households: House 3 (a standard grid-connected dwelling) and House 4 (a rooftop solar photovoltaic-integrated household). Both models are trained on 14 months of 5-minute interval smart meter data (March 2023-April 2024) merged with official Bureau of Meteorology (BOM) daily weather observations, yielding over 117,000 samples per household. The LSTM, operating on 24-step (2-hour) sliding consumption windows, achieves coefficients of determination of R^2 = 0.883 (House 3) and R^2 = 0.865 (House 4), compared to R^2 = -0.055 and R^2 = 0.410 for the corresponding weather-driven MLPs - differences of 93.8 and 45.5 percentage points. These results establish that temporal autocorrelation in the consumption sequence dominates meteorological information for short-term forecasting at 5-minute granularity. Additionally, we demonstrate an asymmetry introduced by solar generation: for the PV-integrated household, the MLP achieves R^2 = 0.410, revealing implicit solar forecasting from weather-time correlations. A persistence baseline analysis and seasonal stratification contextualise model performance. We propose a hybrid weather-augmented LSTM and federated learning extensions as directions for future work.
• Abstract（参考訳）: スマートグリッド管理, 需要対応プログラム, 再生可能エネルギー統合には, 短時間の住宅エネルギー消費予測が不可欠である。 気象変動は住宅電力需要の鍵要因として広く認識されているが、過去の消費の逐次記憶である時間的自己相関を組み込むことの相対的なメリットは、オーストラリアの家庭では詳細な(5分間)時間分解能で調査されていない。 本稿では,マルチレイヤ・パーセプトロン(MLP)とLong Short-Term Memory(LSTM)リカレント・ネットワーク(Long Short-Term Memory)の厳密な比較を行った。 どちらのモデルも、5分間隔のスマートメーターデータ(2023年3月-2024年4月)の14ヶ月でトレーニングされ、公式気象局(BOM)の日々の気象観測と統合され、1世帯あたり117,000件以上のサンプルが得られた。 LSTMは、R^2 = 0.883(ハウス3)とR^2 = 0.865(ハウス4)の判定係数を、R^2 = -0.055とR^2 = 0.410(93.8と45.5の差)と比較すると、24ステップ(2時間)のスライディング消費ウィンドウで動作し、R^2 = 0.883(ハウス3)とR^2 = 0.865(ハウス4)の判定係数を達成する。 これらの結果から, 経時的自己相関は, 5分間の粒度予測において気象情報を支配していることがわかった。 さらに、太陽光発電によって導入された非対称性を実証する: PVを組み込んだ家庭では、MLPはR^2 = 0.410を達成し、天気と時間の関係から暗黙の太陽予測を行う。 持続的ベースライン解析と季節成層モデルの性能 本稿では,今後の研究の方向性として,ハイブリッド気象予報LSTMとフェデレーション学習拡張を提案する。

関連論文リスト

• Exploratory Analysis of Deep Learning Models for Forecasting Meteorological Parameters in the Agricultural Sector [0.0]
  この分析は、2011年1月から2026年4月にかけて、ギリシャのイオアニーナから134,376時間にわたって観測された。 最も効果的な純粋なリカレントモデルは、24時間水平線用64ユニットLSTM、WQSは0.816755、WQSは0.779465である168時間水平線用1024ユニットGRUである。 ハイブリッドCNN-GRUは、24時間と168時間の地平線で0.827535と0.782863のスコアを得たが、それぞれ追加のユニット数があった。
  論文  参考訳（メタデータ） (2026-07-11T08:39:20Z)
• EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
  マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。 EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。 実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
  論文  参考訳（メタデータ） (2026-06-25T16:53:30Z)
• Benchmarking Transformer and xLSTM for Time-Series Forecasting of Heat Consumption [0.0]
  本稿では,短期的な熱需要予測のためのTransformerベースのアーキテクチャとxLSTMアーキテクチャをベンチマークする。 我々は、プールド・ヘテロジニアス・ビルディング・データに基づいてトレーニングされたモデルが多様なビルディング・ストックをまたいで一般化できるかどうかをテストするベンチマークを確立する。 その結果、xLSTMは最低RMSE(3時間で19.88kWh、24時間で21.47kWh)を達成し、Temporal Fusion Transformerは最高MAE(9時間で9.16kWh)を達成した。
  論文  参考訳（メタデータ） (2026-05-10T19:40:03Z)
• An Explainable, Attention-Enhanced, Bidirectional Long Short-Term Memory Neural Network for Joint 48-Hour Forecasting of Temperature, Irradiance, and Relative Humidity [0.0]
  本稿では、スマートHVACシステムにおけるモデル予測制御(MPC)を支援するため、48時間の温度、太陽光、相対湿度の予測のためのディープラーニング(DL)フレームワークを提案する。 このアプローチでは、BiLSTM(Bidirectional Long Short-Term Memory)ネットワークに注意を払っており、3変数全てを共同で予測することで、時間的および横断的な依存関係をキャプチャする。 このモデルは、平均絶対誤差が摂氏1.3度(温度)、31W/m2(照度)、6.7%(湿度)、最先端の数値予測と機械学習ベンチマークを上回った。
  論文  参考訳（メタデータ） (2025-08-28T15:40:33Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• AI-Powered Predictions for Electricity Load in Prosumer Communities [0.0]
  本稿では,人工知能を用いた短期負荷予測手法を提案する。 その結果、(負荷予測タスクに適応した)持続的項と回帰的項の組み合わせは、最高の予測精度が得られることがわかった。
  論文  参考訳（メタデータ） (2024-02-21T12:23:09Z)
• Ai4Fapar: How artificial intelligence can help to forecast the seasonal earth observation signal [0.15361702135159847]
  モデルの評価は, 気候指標と比較し, 1年経過した期間で行った。 その結果, 変圧器モデルの方が1ヶ月の地平線予測でベンチマークモデルより優れており, その後の気候学的ベンチマークの方が優れていることがわかった。 全体として、テストされたTransformerモデルは、特に気象データと組み合わせて短期予測を行う場合、FAPAR予測に有効な方法である。
  論文  参考訳（メタデータ） (2024-02-08T11:00:51Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Improving day-ahead Solar Irradiance Time Series Forecasting by Leveraging Spatio-Temporal Context [46.72071291175356]
  太陽発電は二酸化炭素の排出量を大幅に削減することで気候変動を緩和する大きな可能性を秘めている。 しかし、太陽光の固有の変動は、電力網に太陽エネルギーをシームレスに統合する上で大きな課題となる。 本稿では,衛星データを用いた時間的文脈の活用を目的としたディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-06-01T19:54:39Z)
• Electricity Demand Forecasting with Hybrid Statistical and Machine Learning Algorithms: Case Study of Ukraine [0.0]
  提案手法は2013年から2020年までのウクライナの電力消費の時間データを用いて構築された。 我々のハイブリッドモデルは、時間分解能で長期電力消費を予測するのに非常に効果的である。
  論文  参考訳（メタデータ） (2023-04-11T12:15:50Z)
• Comparative Analysis of Time Series Forecasting Approaches for Household Electricity Consumption Prediction [3.7458346891274013]
  データマイニングツールであるWekaを使用して、まず、Kaggleのデータサイエンスコミュニティから利用可能な、時間給と日給のエネルギー消費データセットのモデルを適用します。 第2に,大韓民国選択世帯の世帯エネルギー消費を天気データと無気象データを用いて予測するために,時系列予測モデルであるARIMAとVARをピソンに導入した。 以上の結果から,エネルギー消費予測の最良の方法は,多層パーセプトロンとガウスプロセス回帰に続く支持ベクトル回帰であることがわかった。
  論文  参考訳（メタデータ） (2022-07-03T12:16:54Z)
• 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)
• Bayesian model of electrical heating disaggregation [68.8204255655161]
  スマートメーターの採用は、ヨーロッパのスマートエネルギーへの移行における大きなマイルストーンである。 フランスの住宅セクターは電力消費の35%$approx$35%、電気暖房による世帯の40%$approx$40%(INSEE)である。 Linkyの展開するスマートメーターの数は2021年に3500万に達する見込みだ。
  論文  参考訳（メタデータ） (2020-11-11T10:05:15Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。