論文の概要: Automated Feature Engineering, AutoML, and Decision-Focused Learning for Improved Energy Consumption Forecasting

• arxiv url: http://arxiv.org/abs/2609.35013v2
• Date: Fri, 02 Oct 2026 11:12:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:29.929965
• Title: Automated Feature Engineering, AutoML, and Decision-Focused Learning for Improved Energy Consumption Forecasting
• Title（参考訳）: エネルギー消費予測改善のための自動特徴工学・オートML・意思決定学習
• Abstract要約: この論文は、エネルギー消費予測のための包括的な機能エンジニアリングパイプラインを確立し、評価する。 第2にAutoEnergyは、タイムスタンプから解釈可能な機能を生成し、タグ付けされた消費を生成する、ドメインに適した自動FEアルゴリズムである。 第3に、AutoEnergyは電池蓄電池システム問題にDFL(Decision-Focused Learning)と統合されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The rising cost and demand for energy, together with environmental sustainability goals, create major challenges for energy management. Energy Consumption Forecasting (ECF) supports planning by predicting future consumption, but Machine Learning (ML) models for ECF often depend on expert-driven Feature Engineering (FE). This thesis addresses that dependence through three contributions. First, it establishes and evaluates a comprehensive FE pipeline for ECF and investigates domain-specific features. Second, it introduces AutoEnergy, a domain-tailored automated FE algorithm that generates interpretable features from timestamps and lagged consumption and integrates with AutoML for end-to-end ECF modelling. Across eighteen real-world energy datasets spanning residential, commercial, industrial, renewable, and grid domains, AutoEnergy reduces forecasting error by 19.52%-84.72% relative to baseline AutoML and established automated FE methods, while running 1.31-4.41 times faster, with gains varying by dataset. Third, AutoEnergy is integrated with Decision-Focused Learning (DFL) for a Battery Energy Storage System problem, jointly forecasting electricity prices and demand while optimising charging and discharging decisions. On a real-world UK property dataset, this approach reduces operating costs by 22.9%-56.5% compared with the same DFL models without automated FE. Overall, the results show that domain-specific automated FE can reduce reliance on manual feature design, improve forecasting accuracy, and translate predictive gains into measurable operational benefits in energy management.
• Abstract（参考訳）: コストの上昇とエネルギー需要、および環境の持続可能性目標がエネルギー管理に大きな課題を生み出している。 エネルギー消費予測(ECF)は将来の消費を予測することで計画を支援するが、ECFの機械学習(ML)モデルは専門家主導の特徴工学(FE)に依存していることが多い。 この論文は3つのコントリビューションを通じてその依存関係に対処する。 まず、EDFのための包括的なFEパイプラインを確立し、評価し、ドメイン固有の機能を調べる。 第2にAutoEnergyは、タイムスタンプから解釈可能な機能を生成し、ラベル付き消費を生成し、エンドツーエンドのECFモデリングのためにAutoMLと統合する、ドメインに適した自動FEアルゴリズムである。 住宅、商業、工業、再生、グリッドドメインにまたがる18の実世界のエネルギーデータセットにまたがって、AutoEnergyはベースラインのAutoMLと比較して予測誤差を19.52%-84.72%削減し、自動FE法を確立した。 第3に、AutoEnergyは電池蓄電池システム問題にDFL(Decision-Focused Learning)を統合し、電力価格と需要を共同予測し、充電と排出の決定を最適化する。 現実世界の英国資産データセットでは、この手法は自動化FEのない同じDFLモデルと比較して、運用コストを22.9%から56.5%削減する。 その結果、ドメイン固有の自動FEは、手動の特徴設計への依存を減らし、予測精度を向上し、予測ゲインをエネルギー管理における測定可能な運用上の利点に変換できることがわかった。

関連論文リスト

• Green AI: Cost of LLM-Based Code Completion [43.39187796844033]
  コード補完は、ソフトウェア開発において、大規模言語モデル(LLM)の最も広く使われているアプリケーションの1つである。 LLMの精度が向上したにもかかわらず、推論のエネルギーコストは未調査のままである。 本研究では,LLMコード補完における精度とエネルギー消費のトレードオフについて検討する。
  論文  参考訳（メタデータ） (2026-09-27T20:54:10Z)
• Assessing the Performance-Efficiency Trade-off of Foundation Models in Probabilistic Electricity Price Forecasting [0.0]
  大規模な再生可能エネルギーの展開は、電力系統に顕著なボラティリティを導入し、グリッドの運用を複雑な最適化問題に変える。 正確な電力価格予測(EPF)は、運用上の決定を支援するだけでなく、経済リスクの低減や市場効率の向上にも不可欠である。 正確な予測を生成するためにどのモデルを使うべきかという疑問が残る。これらはタスク固有の機械学習(ML)モデルか、時系列基礎モデル(TSFM)なのか?
  論文  参考訳（メタデータ） (2026-04-16T07:53:38Z)
• On Electric Vehicle Energy Demand Forecasting and the Effect of Federated Learning [1.2599533416395765]
  電気自動車供給機器(EVSE)のエネルギー需給予測は、効率的なエネルギー管理と持続可能性を確保する上で最も重要な作業の1つである。 ユーティリティプロバイダは、エネルギー/電力需要を予測し、リソース割り当てを最適化し、グリッド信頼性を改善するための積極的な対策を実行することができる。 プライバシーやサステナビリティに関する懸念や制限が高まるにつれ、トレーニングデータの断片化がますます進んでいる。
  論文  参考訳（メタデータ） (2026-02-24T11:21:45Z)
• Towards Green AI: Decoding the Energy of LLM Inference in Software Development [46.879983975894135]
  AI支援ツールはソフトウェア開発にますます統合されているが、大きな言語モデル(LLM)に依存しているため、相当な計算とエネルギーコストが伴う。 モデルが入力を処理して内部表現を構築した(1)プリフィルと,(2)デコードで格納された状態を用いて出力トークンを生成する(2)プリフィルとを区別し,LCM推定エネルギー消費の位相レベル解析を行う。
  論文  参考訳（メタデータ） (2026-02-05T14:38:19Z)
• Optimising for Energy Efficiency and Performance in Machine Learning [3.8803432012641395]
  エネルギー消費オプティマイザ(ECOpt)はエネルギー効率とモデル性能を最適化することを示す。 ECOptは、これらのメトリクス間のトレードオフを解釈可能なフロンティアとして定量化する。 ECOpt の環境影響は,CIFAR-10 の 7 つのモデルを明らかにするのに有効であることを示す。
  論文  参考訳（メタデータ） (2026-01-13T21:28:58Z)
• Probabilistic Forecasting for Building Energy Systems using Time-Series Foundation Models [20.57107693396709]
  エネルギーシステムの構築は、関連する時系列モデルの予測精度に依存する。 本稿では,建築エネルギー予測における時系列基礎モデル(TSFM)の適用性と微調整戦略について検討する。
  論文  参考訳（メタデータ） (2025-05-31T16:38:29Z)
• Explainable AI for building energy retrofitting under data scarcity [40.14307808809578]
  本研究では,人工知能(AI)と機械学習(ML)を基盤として,住宅のエネルギー効率対策を推奨する枠組みを提案する。 ラトビアをケーススタディとして、この方法論は限られたデータセット、クラス不均衡、データ不足に関連する課題に対処する。 このアプローチの評価は、データ制限を顕著に克服し、精度、リコール、F1スコアの最大54%の改善を実現していることを示している。
  論文  参考訳（メタデータ） (2025-04-08T14:00:08Z)
• EF-LLM: Energy Forecasting LLM with AI-assisted Automation, Enhanced Sparse Prediction, Hallucination Detection [8.540308127679985]
  本稿では,時系列予測のためのドメイン知識と時間データを統合するEnergy Forecasting Large Language Model (EF-LLM)を提案する。 EF-LLMの人間とAIのインタラクション能力は、タスクの予測におけるエントリー障壁を低くし、さらなる専門家の関与の必要性を減らす。 我々は、負荷、太陽光発電、風力発電予測のエネルギー予測シナリオで成功している。
  論文  参考訳（メタデータ） (2024-10-30T11:22:37Z)
• An Energy and Carbon Footprint Analysis of Distributed and Federated Learning [42.37180749113699]
  古典的で中央集権的な人工知能(AI)手法では、生産者(センサー、マシン)からエネルギー空腹のデータセンターへデータを移動する必要がある。 このような高エネルギーコストを緩和する新たな代替手段は、デバイス間で学習タスクを効率的に分散またはフェデレートすることを提案している。 本稿では,分散学習におけるエネルギーおよび炭素フットプリントの分析のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-06-21T13:28:49Z)
• A Framework for Energy and Carbon Footprint Analysis of Distributed and Federated Edge Learning [48.63610479916003]
  本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。 バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。 その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
  論文  参考訳（メタデータ） (2021-03-18T16:04:42Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。