論文の概要: Coincidence-Maximizing Customer Clustering Using Smart Meter Data

• arxiv url: http://arxiv.org/abs/2610.28178v1
• Date: Tue, 20 Oct 2026 13:17:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.827578
• Title: Coincidence-Maximizing Customer Clustering Using Smart Meter Data
• Title（参考訳）: スマートメータデータを用いた共犯最大化顧客クラスタリング
• Abstract要約: 電力配電計画は、顧客グループ内のピーク時の偶然に依存する。 顧客グループ化を定式化し、グループ一致率の平均を最大化する。 我々は,任意の分割が可能な固定ピーク改善手順を開発する。
• 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 distribution planning depends on peak-demand coincidence within customer groups, yet similarity-based clustering of smart-meter data does not optimize it directly. We formulate customer grouping to maximize the average of group coincidence factors, weighted by each group's daily share of summed individual peak demand. We prove that jointly optimizing memberships and group peak times is strongly NP-hard even for two groups. We therefore develop a fixed-peak refinement procedure applicable to any feasible partition. It alternates between identifying group peak times and exactly reassigning customers under minimum group-size constraints. Each polynomial-time reassignment maximizes a lower bound tight at the current partition, so accepted updates strictly improve weighted coincidence. We initialize refinement by clustering individual peak-time distributions and evaluate the method on four public smart-meter panels (27,654 customers) using chronological holdouts and 200 paired replicates with complete refitting. Refinement consistently improves weighted coincidence during fitting and reduces sensitivity to initialization. On held-out days, the method outperforms random grouping and five standalone benchmarks, with mean paired gains of 1.08-3.48 percentage points over the strongest benchmark. Requiring nearly equal group sizes lowers test weighted coincidence only modestly. The groups retain recognizable peak-time patterns over time, suggesting applications in peak-aware customer aggregation.
• Abstract（参考訳）: 電力配電計画は顧客グループ内でのピーク時の一致に依存するが、スマートメーターデータの類似性に基づくクラスタリングは直接最適化しない。 我々は、各グループ毎のピーク需要の日次シェアを重み付けした、グループ一致率の平均を最大化するために、顧客グループ化を定式化する。 2つのグループであっても,共同でメンバシップとグループピークタイムを最適化することが強くNPハードであることを証明する。 そこで我々は,どの分割にも適用可能な固定ピーク改良法を開発した。 グループピークタイムの特定と、グループサイズの最小限の制約下での顧客の再割り当てを交互に行う。 各多項式時間再割り当ては、現在の分割における下限のタイトを最大化するので、受け入れられた更新は重み付けされた一致を厳密に改善する。 我々は,個々のピーク時分布をクラスタ化して改善を初期化し,時系列ホールドアウトと200対の複製を完全再構成した4つの公開スマートメーターパネル(27,654人の顧客)上で評価する。 リファインメントは、フィッティング時の重み付き一致を一貫して改善し、初期化に対する感度を低下させる。 保持された日では、この手法はランダムなグループ化と5つのスタンドアロンベンチマークより優れており、最上位ベンチマークよりも1.08-3.48ポイントの平均的な利得である。 ほぼ等しいグループサイズを必要とすると、テストの重み付けの偶然はわずかに低下する。 グループは時間とともに認識可能なピークタイムパターンを保持しており、ピークアウェアの顧客アグリゲーションの応用を示唆している。

関連論文リスト

• RIPPLE in Still Water: Zero-Shot Clustering in Federated Learning with Wavelet Scattering Transform [51.56484100374058]
  クラスタ化されたフェデレートラーニング(FL)は、クライアントを同じローカル分布のグループに分割し、クラスタ毎に1つの特別なモデルを訓練する。 本稿では、各クライアントのローカルデータのスペクトル特性からクラスタ割り当てを完全にオフラインで計算するクラスタリングFLフレームワークであるRIPPLEを提案する。
  論文  参考訳（メタデータ） (2026-10-02T09:35:39Z)
• Rethinking Personalized Reward Modeling for LLMs under Preference Heterogeneity via Group-Debiased Federated Learning [31.693764625836305]
  我々は、フェデレーショントレーニング中に潜伏する嗜好グループを発見し、グループデバイアスされたクライアントサンプリングを用いて単一の報酬モデルを学ぶFedGD(Federated Learning with Group Debiasing)を提案する。
  論文  参考訳（メタデータ） (2026-08-03T00:25:52Z)
• Rank-Constrained Deep Matrix Completion for Group Recommendation [0.0]
  Group Rank-Constrained Deep Matrix Completion (Group RC-DMC)は、Set-Transformerアグリゲータを介してグループレベルの表現学習を統合することでRC-DMCを拡張する新しいフレームワークである。 既存のグループレコメンデータシステムとは異なり、グループRC-DMCは明示的な低ランク正規化、線形エンコーダデコーダアーキテクチャ、注意に基づく非線形グループモデリングを統一する。 MovieLens と Goodbooks のデータセットによる実験結果から,グループ RC-DMC は低いグループ RMSE で測定され,より優れた再構成精度が得られることが示された。
  論文  参考訳（メタデータ） (2026-06-01T09:09:46Z)
• Balanced Aggregation: Understanding and Fixing Aggregation Bias in GRPO [70.38763678943648]
  検証可能な報酬(RLVR)による強化学習は、大規模言語モデルにおける推論とコード生成を改善するための中心的なパラダイムとなっている。 標準的なGRPOはシーケンスアグリゲーションを使用し、最近の研究はトークンアグリゲーションをより良い代替手段として提唱している。 トークンアグリゲーションは符号長結合を導入し、シーケンスアグリゲーションは暗黙的にダウンウェイトを延長する。
  論文  参考訳（メタデータ） (2026-04-14T09:48:46Z)
• Almost Asymptotically Optimal Active Clustering Through Pairwise Observations [59.20614082241528]
  そこで本研究では, ノイズと能動的に収集された応答を用いて, M$アイテムを未知数の$K$個別グループにクラスタリングするための新しい分析フレームワークを提案する。 クラスタリングの精度に対する望ましい信頼性を達成するのに必要なクエリ数の基本的下位境界を確立する。 我々は、一般化された同値比統計の計算可能な変種を開発し、その下限に対する性能ギャップを正確に推定できることを実証的に示す。
  論文  参考訳（メタデータ） (2026-02-05T14:16:47Z)
• Parameter-Free Clustering via Self-Supervised Consensus Maximization (Extended Version) [50.41628860536753]
  本稿では,SCMax と呼ばれる自己教師型コンセンサス最大化による,新しい完全パラメータフリークラスタリングフレームワークを提案する。 本フレームワークは,階層的なクラスタリングとクラスタ評価を単一の統合プロセスで行う。
  論文  参考訳（メタデータ） (2025-11-12T11:17:17Z)
• Ranked differences Pearson correlation dissimilarity with an application to electricity users time series clustering [0.0]
  時系列クラスタリングは、医療、金融、経済学、エネルギー、気候科学などの分野で使われている。 本研究では,Pearson相関異性度(RDPC)と呼ばれる新しい異性度尺度を提案し,Pearson相関異性度(Pearson correlation dissimilarity)と最大の相違点(Pearson correlation dissimilarity)の重み付き平均値を組み合わせた。
  論文  参考訳（メタデータ） (2025-05-04T16:25:12Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Client Selection Approach in Support of Clustered Federated Learning over Wireless Edge Networks [2.6774008509840996]
  CFL(Clustered Federated Multitask Learning)は、信頼性の高い専門モデルを得るための効率的なスキームとして導入された。 本稿では,特殊な機械学習モデルを得るための収束率の向上を目的とした,新しいクライアント選択アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-16T21:38:22Z)

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。