文献

J-GLOBAL ID：201802270073146496   整理番号：18A0196248

マルチタスクGauss過程を用いた失われたスマートセンサデータを用いた多段階予測【Powered by NICT】

Multi-step prediction with missing smart sensor data using multi-task Gaussian processes

著者 (5件)： Karunaratne Pasan (School of Computing and Information Systems, The University of Melbourne, Melbourne, Australia) ,  Moshtaghi Masud (School of Computing and Information Systems, The University of Melbourne, Melbourne, Australia) ,  Karunasekera Shanika (School of Computing and Information Systems, The University of Melbourne, Melbourne, Australia) ,  Harwood Aaron (School of Computing and Information Systems, The University of Melbourne, Melbourne, Australia) ,  Cohn Trevor (School of Computing and Information Systems, The University of Melbourne, Melbourne, Australia)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： Big Data  ページ： 1183-1192  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： センサの増殖と市民の結合性増大に伴い,多くの地球都市はスマートシティイニシアチブを採用することが増加している。このようなイニシアティブは,リアルタイムモニタリング能力を提供し,効果的なモデリング技術は,都市の将来状態の予測を可能にする。例えば,容量計画を容易にするために都市電力スマートメータデータは,将来の需要を予測するために利用することができる。しかし,この予測の精度は,実際の系における低品質と失われたセンサデータによって損なわれることが多い。本研究では,予測精度に及ぼす欠測値の影響を緩和することによって信頼性のある予測の問題に焦点を当てた。欠測データの影響を軽減するために,著者らは高度に相関したセンサ間のGauss過程回帰モデルを学習しマルチタスク学習方式を開発した。提案手法は種々の誤差発生のシナリオの中でロバストであることを実証した。大学キャンパスにおける電力スマートメータと国際都市における歩行者数に関連した公的に利用可能なおよび実世界データセットに基づくこの方法を検証し,競合ベースラインと他の効果的な予測方法を上回り顕著な改善を達成する。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： ロバスト性 ,  *Gauss過程 ,  都市 ,  歩行者 ,  *予測 ,  *センサ ,  電力 ,  予測技法 ,  信頼性
準シソーラス用語： スマートメータ ,  マルチタスク学習 ,  欠測値 ,  予測精度 ,  *センサデータ ,  *マルチタスク , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： マルチタスク ,  Gauss過程 ,  センサデータ ,  段階 ,  予測