文献

J-GLOBAL ID：201802231770933607   整理番号：18A0727481

k形状クラスタリングによるS2Sディープニューラルネットワークを用いたエネルギー負荷予測【JST・京大機械翻訳】

Energy load forecast using S2S deep neural networks with k-Shape clustering

著者 (3件)： Jarabek Tomas (Faculty of Informatics and Information Technologies, Slovak University of Technology, Bratislava, Slovakia) ,  Laurinec Peter (Faculty of Informatics and Information Technologies, Slovak University of Technology, Bratislava, Slovakia) ,  Lucka Maria (Faculty of Informatics and Information Technologies, Slovak University of Technology, Bratislava, Slovakia)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： Informatics  ページ： 140-145  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 持続可能性を確保することは,エネルギー浪費を最小にするためにより正確なエネルギー管理を必要とする。膨大な量のデータを提供するスマートグリッドの展開により,機械学習の新しい方法はより正確な予測を保証するために光になる。膨大な量のデータにより,膨大な量のデータを必要とする深い学習法は,精度の増加により有望であることを示し始めている。本論文では,逐次(S2S)アーキテクチャを持つ,Deepニューラルネットワーク,特にLong Short-Tem Memory(LSTM)アルゴリズムを用いた時系列予測のための方法論を提示した。ネットワークの凝集負荷を予測するとき,予測精度を改善する。k-Shapeクラスタ化アルゴリズムを用いて,予測が容易な消費者のグループを作成する。本論文で記述した方法を,Slovak企業の電力消費の実世界データで試験した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【JST・京大機械翻訳】

シソーラス用語： 学習 ,  消費者 ,  *ニューラルネットワーク ,  スマートグリッド ,  *ネットワーク ,  電力消費 ,  エネルギー管理 ,  機械学習 ,  *負荷予測 ,  アルゴリズム ,  *クラスタ化
準シソーラス用語： 予測精度 ,  時系列予測 ,  持続可能性 ,  *ディープニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 電力系統一般  (NB02000E)

タイトルに関連する用語 (4件)： クラスタリング ,  ディープニューラルネットワーク ,  エネルギー ,  負荷予測