論文の概要: Calendar-SPCA: Interpretable Representation Learning for Multi-Periodic Electricity Consumption Profiles

• arxiv url: http://arxiv.org/abs/2609.06060v1
• Date: Sat, 05 Sep 2026 12:43:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.187874
• Title: Calendar-SPCA: Interpretable Representation Learning for Multi-Periodic Electricity Consumption Profiles
• Title（参考訳）: カレンダーSPCA:多周期電力消費プロファイルの解釈可能な表現学習
• Abstract要約: 長期の電力消費プロファイルは、日、週、年周期を含む複数の同時周期構造を示す。 本研究では,この多周期幾何学を低次元表現学習に直接組み込んだカレンダー構造スパース主成分法であるカレンダーSPCAを導入する。 この手法は、元の時間座標において直接読みやすい、疎密で局所的に整合なロードパターンを生成する。
• 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: Long-term electricity-consumption profiles exhibit several simultaneous periodic structures, including daily, weekly, and annual cycles. This work introduces Calendar-SPCA, a calendar-structured sparse principal component method that incorporates this known multi-periodic geometry directly into low-dimensional representation learning. The feature domain is represented as the Cartesian product of cyclic calendar axes, and a low-rank factorization is estimated using an L1 loading penalty together with graph total variation over the resulting calendar graph. The method therefore produces sparse and locally coherent loading patterns that remain directly readable in their original temporal coordinates. Calendar-SPCA is evaluated on two independent smart-meter datasets with different sample sizes and temporal resolutions: GoiEner and Low Carbon London. A factorial experiment characterizes the complementary effects of sparsity and calendar coherence and examines robustness across sample size, latent dimensionality, and repeated fits. At rank 15, Calendar-SPCA retains 96.92% and 82.90% of the explained variance of rank-matched PCA in GoiEner and Low Carbon London, respectively, while producing mean loading sparsities of 61.95% and 81.50%. Comparisons with classical sparse PCA and SPCA-TV further show that Calendar-SPCA adds a systematic organization of the latent factors in the original calendar coordinates while preserving substantial low-rank information. The resulting components form coherent and complementary daily, weekly, seasonal, and jointly localized calendar patterns, with dataset-specific geometries across the two datasets.
• Abstract（参考訳）: 長期の電力消費プロファイルは、日、週、年周期を含む複数の同時周期構造を示す。 本研究では,この多周期幾何学を低次元表現学習に直接組み込んだカレンダー構造スパース主成分法であるカレンダーSPCAを導入する。 特徴領域は、環状カレンダー軸のカルト積として表現され、結果として得られるカレンダーグラフのグラフ全体の変動とともに、L1ロードペナルティを用いて低ランクの分解を推定する。 したがって、本手法は、元の時間座標において直接読みやすい、疎密で局所的に整合なロードパターンを生成する。 カレンダーSPCAは、サンプルサイズと時間分解能の異なる2つの独立したスマートメーターデータセット(GoiEnerとLow Carbon London)で評価される。 因子的実験は、スパーシリティとカレンダーコヒーレンスを補完する効果を特徴付け、サンプルサイズ、潜在次元、繰り返し適合性を調べる。 ランク15では、カレンダSPCAはゴイナーとローカーボン・ロンドンにおけるランクマッチPCAの差異の96.92%と82.90%を保持し、平均積載間隔は61.95%と81.50%である。 従来のスパースPCAとSPCA-TVを比較すると、カレンダーSPCAは、実質的な低ランク情報を保持しながら、元のカレンダー座標に潜伏因子の体系的構造を付加していることがわかる。 結果として得られるコンポーネントは、コヒーレントで補完的な日毎、週毎、季節毎、および共同でローカライズされたカレンダーパターンを形成し、2つのデータセットにまたがるデータセット固有のジオメトリを形成する。

関連論文リスト

• BrachistoneLR: A Brachistochrone-Inspired Learning-Rate Schedule and a Controlled Benchmark of Scheduling Policies [0.0]
  ブラチストンLRは,ブラチストロンの鉛直座標をピークからフロアレートの範囲にマッピングして構築したスケジュールである。 72回以上のスケジュールを3つの画像分類データセットでベンチマークする。
  論文  参考訳（メタデータ） (2026-09-08T00:24:59Z)
• Estimating and Testing Kinks in Panel Data Models [0.0]
  カレンダー時間における係数ベクトルの連続的および断片的線形なパネルデータモデルについて検討する。 係数経路の2次差分に適応重み付き群罰則を適用する最小二乗推定器を提案する。 本稿では,マクロファイナンス,特に負債と成長の関係を応用した手法について説明する。
  論文  参考訳（メタデータ） (2026-08-07T12:30:23Z)
• Cyclical Temporal Encoding and Hybrid Deep Ensembles for Multistep Energy Forecasting [0.8594140167290097]
  本稿では,周期的時間エンコーディングとハイブリッドLSTM-CNNアーキテクチャを統合した統合型ディープラーニングフレームワークを提案する。 我々の知る限り、これは統合短期エネルギー予測フレームワークにおいて、時間エンコーディング、カレンダーベースの特徴、ハイブリッドアンサンブルアーキテクチャを共同で評価する最初の試みである。
  論文  参考訳（メタデータ） (2025-12-03T10:46:02Z)
• Model-Agnostic, Temperature-Informed Sampling Enhances Cross-Year Crop Mapping with Deep Learning [1.837552179215311]
  そこで本研究では,日時を熱時間に置き換えるモデル非依存の熱時間に基づくテンポラルサンプリング(T3S)手法を提案する。 この生物学的に意味のある方法で時系列をサブサンプリングすることで、成長期における重要な期間を明らかにすることができる。 スイス全土をカバーするSentinel-2データセットを用いて,T3Sの評価を行った。
  論文  参考訳（メタデータ） (2025-06-15T15:30:08Z)
• Forecasting Multivariate Urban Data via Decomposition and Spatio-Temporal Graph Analysis [2.8292841621378844]
  本稿では,グラフニューラルネットワーク(GNN)におけるグラフ注意と時間的畳み込みを統合した新しい時系列予測モデルDSTを提案する。 電力需要、気象指標、炭素強度、大気汚染などの実世界の都市データセットの実験は、DSTの有効性を実証している。 本手法は,最先端の時系列予測モデルよりも長期予測精度が平均2.89%から9.10%向上する。
  論文  参考訳（メタデータ） (2025-05-28T15:24:04Z)
• Explaining Categorical Feature Interactions Using Graph Covariance and LLMs [18.44675735926458]
  本稿では,Counter Trafficking Data Collaborativeからのグローバルな合成データセットに焦点を当てる。 2002年から2022年にかけて20,000件以上の匿名化された記録があり、それぞれのレコードに多くの分類学的特徴がある。 本稿では,重要な分類的特徴の相互作用を分析し,抽出するための高速でスケーラブルな手法を提案する。
  論文  参考訳（メタデータ） (2025-01-24T21:41:26Z)
• Leveraging 2D Information for Long-term Time Series Forecasting with Vanilla Transformers [55.475142494272724]
  時系列予測は、様々な領域における複雑な力学の理解と予測に不可欠である。 GridTSTは、革新的な多方向性の注意を用いた2つのアプローチの利点を組み合わせたモデルである。 このモデルは、さまざまな現実世界のデータセットに対して、常に最先端のパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2024-05-22T16:41:21Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• Concept Drift and Long-Tailed Distribution in Fine-Grained Visual Categorization: Benchmark and Method [84.68818879525568]
  コンセプションドリフトとLong-Tailed Distributionデータセットを提案する。 インスタンスの特徴は時間によって異なり、長い尾の分布を示す傾向がある。 本稿ではCDLTに関連する学習課題に対処する機能組換えフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-04T12:42:45Z)
• Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
  天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。 時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。 我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。 提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
  論文  参考訳（メタデータ） (2022-10-02T06:58:49Z)
• Bayesian Complementary Kernelized Learning for Multidimensional Spatiotemporal Data [11.763229353978321]
  補足型並列学習(BCKL)のための新しい統計フレームワークを提案する。 BCKLは、正確な後部平均値と高品質の不確実性推定を提供することで優れた性能を提供する。
  論文  参考訳（メタデータ） (2022-08-21T22:38:54Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)

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。