論文の概要: Electricity Consumption Forecasting: An Approach Using Cooperative Ensemble Learning with SHapley Additive exPlanations
- arxiv url: http://arxiv.org/abs/2605.25305v1
- Date: Mon, 25 May 2026 00:03:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:19.131857
- Title: Electricity Consumption Forecasting: An Approach Using Cooperative Ensemble Learning with SHapley Additive exPlanations
- Title（参考訳）: 電力消費予測:SHapley Additive explanationsを用いた協調型アンサンブル学習によるアプローチ
- Authors: Eduardo Luiz Alba, Gilson Adamczuk Oliveira, Matheus Henrique Dal Molin Ribeiro, Érick Oliveira Rodrigues,
- Abstract要約: Weaker Separator Booster (WSB)はデータセットの最高のパフォーマンスを示した。
共通性は、タグ付けされた時系列値の強い影響と気候変数の最小の影響であった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electricity expense management presents significant challenges, as this resource is susceptible to various influencing factors. In universities, the demand for this resource is rapidly growing with institutional expansion and has a significant environmental impact. In this study, the machine learning models long short-term memory (LSTM), random forest (RF), support vector regression (SVR), and extreme gradient boosting (XGBoost) were trained with historical consumption data from the Federal Institute of Paraná (IFPR) over the last seven years and climatic variables to forecast electricity consumption 12 months ahead. Datasets from two campuses were adopted. To improve model performance, feature selection was performed using Shapley additive explanations (SHAP), and hyperparameter optimization was carried out using genetic algorithm (GA) and particle swarm optimization (PSO). The results indicate that the proposed cooperative ensemble learning approach named Weaker Separator Booster (WSB) exhibited the best performance for datasets. Specifically, it achieved an sMAPE of 13.90% and MAE of 1990.87 kWh for the IFPR-Palmas Campus and an sMAPE of 18.72% and MAE of 465.02 kWh for the Coronel Vivida Campus. The SHAP analysis revealed distinct feature importance patterns across the two IFPR campuses. A commonality that emerged was the strong influence of lagged time-series values and a minimal influence of climatic variables.
- Abstract（参考訳）: 電力コスト管理は、この資源が様々な影響要因に影響を受けやすいため、大きな課題を生んでいる。
大学におけるこの資源の需要は、制度的な拡大とともに急速に増加しており、環境に重大な影響を与えている。
本研究では, 機械学習モデルによる長期記憶(LSTM), ランダムフォレスト(RF), サポートベクター回帰(SVR), 極端な勾配増強(XGBoost)について, 過去7年間の連邦パラナ研究所 (IFPR) の歴史的消費データと, 気候変数を用いて12ヶ月前の電力消費予測を行った。
2つのキャンパスのデータセットが採用された。
モデル性能を向上させるため,Shapley additive explanations (SHAP) を用いて特徴選択を行い,遺伝的アルゴリズム (GA) と粒子群最適化 (PSO) を用いてハイパーパラメータ最適化を行った。
その結果,Weaker Separator Booster (WSB) という協調型アンサンブル学習手法が,データセットの最適性能を示した。
具体的には、IFPR-パルマスキャンパスで13.90%、1990.87kWhのsMAPE、18.72%のsMAPE、465.02kWhのcoronel VividaキャンパスでMAEを達成した。
SHAP解析により2つのIFPRキャンパスで特徴的重要パターンが明らかとなった。
共通性は、タグ付けされた時系列値の強い影響と気候変数の最小の影響であった。
関連論文リスト
- Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。
本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。
本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。
結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-04-20T11:40:39Z) - Methodology for Comparing Machine Learning Algorithms for Survival Analysis [55.65997641180011]
生存分析のための6つの機械学習モデルを評価した。
XGB-AFTは最高性能(C-Index = 0.7618; IPCW = 0.7532、GBSAとRCF)を達成した。
論文 参考訳（メタデータ） (2025-10-28T14:42:28Z) - Smart Buildings Energy Consumption Forecasting using Adaptive Evolutionary Ensemble Learning Models [23.650796013805937]
本稿では,Baging,Stacking,Vottingの3つのハイブリッドアンサンブル予測モデルと,高速かつ効果的な進化的ハイパーパラメータチューナを組み合わせることを提案する。
ベルギーのモンス州スタンブロークに18個のセンサを設置し, 気象パラメータ, 家電エネルギー使用量, 温度, 湿度, 照明エネルギー消費のハイブリッドデータセットを用いて, 提案したエネルギー予測モデルの性能を評価した。
予測結果は,適応的進化的バッグングモデルが,精度と学習誤差の両方で他の予測モデルを上回ったことを示している。
論文 参考訳（メタデータ） (2025-06-13T15:13:15Z) - Machine Learning-based Regional Cooling Demand Prediction with Optimised Dataset Partitioning [7.745583292171836]
都市内建物における冷却需要の正確な予測はエネルギー効率の維持に不可欠である。
本研究では,高分解能Long Short-Term Memory (LSTM) と Gated Recurrent Unit (GRU) ネットワークの汎用フレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-04T12:43:33Z) - Water and Electricity Consumption Forecasting at an Educational Institution using Machine Learning models with Metaheuristic Optimization [0.0]
本研究では、ランダムフォレスト(RF)とサポートベクトル回帰(SVR)の2つの機械学習モデルの比較を提案する。
データは過去5年間、連邦パラナ・カンプスパルマス研究所で収集された。
その結果,12ステップの地平線上での水と電力消費を予測する場合,ランダムフォレストモデルが最も優れた性能を示した。
論文 参考訳（メタデータ） (2024-10-25T17:30:12Z) - 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) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳（メタデータ） (2023-09-12T13:28:06Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳（メタデータ） (2023-07-01T15:18:00Z) - A generalised multi-factor deep learning electricity load forecasting
model for wildfire-prone areas [0.0]
本稿では,山火事シーズンにおける配電網の電力負荷を予測するために,GRUに基づく汎用かつ堅牢なGated Recurrent Unit (GRU) モデルを提案する。
瞬時温度の通常の使用と比較して、平均絶対パーセンテージ誤差(MAPE)は30.73%減少する。
提案手法は平均予測MAPEの約3%を達成し、ビクトリア州に年間8億6600万ドルを節約できる可能性がある。
論文 参考訳（メタデータ） (2023-04-21T00:42:24Z) - 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。