論文の概要: XGBoost "is all you need": the case of forecasting transmitted heat energy in District Heating Systems

• arxiv url: http://arxiv.org/abs/2608.11446v1
• Date: Tue, 11 Aug 2026 21:24:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.390287
• Title: XGBoost "is all you need": the case of forecasting transmitted heat energy in District Heating Systems
• Title（参考訳）: XGBoost : 地域熱システムにおける伝熱エネルギーの予測の場合
• Abstract要約: 本稿では、地域熱システム(DHS)における伝熱エネルギー予測のためのXGBoostとLong-Short Term Memory(LSTM)の2つの異なるアプローチの比較研究について述べる。 この研究は、実世界のDHSデータセットに焦点を当て、実験と分析を通じて、XGBoostがこの特定の予測タスクにおいてLSTMを一貫して上回っていることを示す。 従来のMLアプローチの計算要求の削減はコスト削減をもたらすだけでなく、エネルギーシステムにおけるデータ分析タスクに関連する炭素フットプリントを最小化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a comparative study of two distinct approaches, XGBoost and Long-Short Term Memory (LSTM), for forecasting transmitted heat energy in District Heating Systems (DHS). The objective is to explore scenarios in which conventional ML algorithms demonstrate better performance over deep learning networks in time series forecasting and the associated benefits in terms of computational cost and environmental impact. The study focuses on a real-world DHS dataset. Through experimentation and analysis, it is demonstrated that XGBoost consistently outperforms LSTM in this specific forecasting task. The difference is explained by the error distribution illustrating that LSTM makes more significant errors in the intervals of less data availability. The reduced computational demands of conventional ML approaches not only result in cost savings but also minimize the carbon footprint associated with data analysis tasks in energy systems.
• Abstract（参考訳）: 本稿では,地域熱システム(DHS)における伝熱エネルギー予測のための,XGBoost と Long-Short Term Memory (LSTM) の2つの異なるアプローチの比較検討を行った。 本研究の目的は、時系列予測において、従来のMLアルゴリズムがディープラーニングネットワークよりも優れた性能を示すシナリオと、計算コストと環境への影響の観点から、関連する利点を探求することである。 この研究は、現実世界のDHSデータセットに焦点を当てている。 実験と解析により,XGBoostは,この予測タスクにおいてLSTMを一貫して上回っていることが示された。 この違いは、LSTMがデータ可用性の低い間隔でより重大なエラーを発生させることを示すエラー分布によって説明される。 従来のMLアプローチの計算要求の削減はコスト削減をもたらすだけでなく、エネルギーシステムにおけるデータ分析タスクに関連する炭素フットプリントを最小化する。

関連論文リスト

• Physics-based Digital Twins for Integrated Thermal Energy Systems Using Active Learning [0.1259953341639576]
  熱エネルギー分配システムのリアルタイム監視制御には、正確で、解釈可能で、不確実性を認識したデジタルツインが必要である。 本研究は,4つの単純な物理インフォームドおよびデータ駆動サロゲートモデリングアプローチと,システムレベルのModelicaシミュレーションを結合するアクティブラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-07T16:26:48Z)
• Ge$^\text{2}$mS-T: Multi-Dimensional Grouping for Ultra-High Energy Efficiency in Spiking Transformer [84.8831358775386]
  スパイキングニューラルネットワーク(SNN)は、ニューラルネットワーク(ANN)よりも優れたエネルギー効率を提供する ANN-SNN ConversionやSpatial-Temporal Backpropagation (STBP)といった既存のパラダイムは、固有の制限に悩まされている。 Ge$text2$mS-Tを提案する。これは時間的・空間的・ネットワーク的構造次元にまたがるグループ計算を実装した新しいアーキテクチャである。
  論文  参考訳（メタデータ） (2026-04-10T02:58:46Z)
• Forecasting Energy Consumption using Recurrent Neural Networks: A Comparative Analysis [0.0]
  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。
  論文  参考訳（メタデータ） (2026-01-23T18:14:53Z)
• A Lightweight Transfer Learning-Based State-of-Health Monitoring with Application to Lithium-ion Batteries in Autonomous Air Vehicles [53.158733310637295]
  トランスファーラーニングは、データ豊富なソース作業条件から知識を活用するための有望なテクニックである。 従来のTL-based state-of-health(SOH)モニタリングは、ポータブルモバイルデバイスに適用すると実現不可能である。 本稿では,CITLを用いた軽量SOHモニタリング手法を提案する。
  論文  参考訳（メタデータ） (2025-12-09T11:54:09Z)
• Optimizing Indoor Environmental Quality in Smart Buildings Using Deep Learning [0.0]
  本稿では,IEQパラメータ,特にCO2濃度,温度,湿度を積極的に管理する深層学習型手法を提案する。 我々は,Long Short-Term Memory (LSTM), Gated Recurrent Units (GRU), and a hybrid Convolutional Neural Network LSTM (CNN-LSTM) の3つのアーキテクチャをベンチマークした。 以上の結果から,GRUは計算オーバーヘッドを低く抑えるとともに,CNN-LSTMは拡張予測ウィンドウの主機能抽出に優れることがわかった。
  論文  参考訳（メタデータ） (2025-09-30T12:42:34Z)
• EconProver: Towards More Economical Test-Time Scaling for Automated Theorem Proving [64.15371139980802]
  大規模言語モデル(LLM)は、最近、自動定理証明(ATP)の分野を進歩させた。 ATPモデルに対する異なるテスト時間スケーリング戦略は、推論にかなりの計算オーバーヘッドをもたらすことを示す。 本稿では,統一EconRLパイプラインに統合可能な2つの補完手法を提案する。
  論文  参考訳（メタデータ） (2025-09-16T03:00:13Z)
• PearSAN: A Machine Learning Method for Inverse Design using Pearson Correlated Surrogate Annealing [66.27103948750306]
  PearSANは、大きな設計空間を持つ逆設計問題に適用可能な機械学習支援最適化アルゴリズムである。 ピアソン相関代理モデルを用いて、真の設計計量のメリットの図形を予測する。 最先端の最大設計効率は97%で、少なくとも以前の方法よりも桁違いに高速である。
  論文  参考訳（メタデータ） (2024-12-26T17:02:19Z)
• Low-Frequency Load Identification using CNN-BiLSTM Attention Mechanism [0.0]
  非侵入負荷モニタリング(Non-Inrusive Load Monitoring, NILM)は、効率的な電力消費管理のための確立された技術である。 本稿では,畳み込みニューラルネットワーク(CNN)と双方向長短期記憶(BILSTM)を組み合わせたハイブリッド学習手法を提案する。 CNN-BILSTMモデルは、時間的(時間的)と空間的(位置的)の両方の特徴を抽出し、アプライアンスレベルでのエネルギー消費パターンを正確に識別することができる。
  論文  参考訳（メタデータ） (2023-11-14T21:02:27Z)
• Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks [52.96907334080273]
  ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。 マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。 シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
  論文  参考訳（メタデータ） (2023-09-16T11:37:23Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• Energy Forecasting in Smart Grid Systems: A Review of the State-of-the-art Techniques [2.3436632098950456]
  本稿では,スマートグリッド(SG)システムの最先端予測手法について概説する。 統計学,機械学習(ML),深層学習(DL)などの従来の点予測手法について検討した。 ヴィクトリア朝の電力消費とアメリカの電力(AEP)の比較ケーススタディを行った。
  論文  参考訳（メタデータ） (2020-11-25T09:17:07Z)

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。