文献

J-GLOBAL ID：202002255122693028   整理番号：20A2030229

エネルギー時系列予測におけるモデル選択のためのMeta特徴のより良い集合を構成する記述統計時間ベースMeta特徴(DSTMF)【JST・京大機械翻訳】

Descriptive Statistics Time-based Meta Features (DSTMF) Constructing a better Set of Meta Features for Model Selection in Energy Time Series Forecasting

著者 (4件)： Shahoud Shadi (Karlsruhe Institute of Technology, IAI, Karlsruhe, Germany) ,  Khalloof Hatem (Karlsruhe Institute of Technology, IAI, Karlsruhe, Germany) ,  Duepmeier Clemens (Karlsruhe Institute of Technology, IAI, Karlsruhe, Germany) ,  Hagenmeyer Veit (Karlsruhe Institute of Technology, IAI, Karlsruhe, Germany)
資料名： ACM Proceedings  (ACM Proceedings)
号： APPIS 2020  ページ： 1-6  発行年： 2020年 
JST資料番号： D0698C  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： エネルギー関連時系列データ(例えば,「負荷」または「発電」)の予測のために,多くの異なる種類の学習アルゴリズムが存在する。非データ科学専門家にとっては,事前の時系列での使用に適した適切なアルゴリズムを選択するタスクは容易ではない。適当なアルゴリズムを見つけるための試行錯誤のアプローチが退屈で,計算集約的で時間がかかるので,適切な学習アルゴリズムを完全に自動的に発見するための探索空間を制約する適切な方法論を設計する方法を記述するメタ学習アプローチを提案する。本論文では,例えば,エネルギー時系列データセットの特定の特性を記述する良い指標が,予測アルゴリズムが最も適している有用な洞察を提供するという仮定に基づき,時系列データセットに関するエネルギー予測を実行するための適切な学習アルゴリズムを効率的に選択するために,エネルギー時系列データセットのための記述的統計時間ベースMeta特徴(DSTMF)記述フォーマットを提案した。新しい方法論の性能を実証するために,60の制度建築からの負荷時系列であるデータセットに関する実験を行った。類似性ベースのクラスタ分析に基づいて,エネルギー時系列データセットの深い特性を捕捉するためのDSTMFのメタ特徴の可能性を評価し,他の最先端のメタ特徴と比較した。実験は,エネルギー時系列予測におけるモデル選択を強化するために,非常に良い結果を示し,最先端のメタ特徴より優れている。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *アルゴリズム ,  発電 ,  クラスタ分析 ,  類似性 ,  機械学習 ,  学習アルゴリズム ,  データマイニング
準シソーラス用語： 時系列データ ,  探索空間 ,  *時系列予測 ,  メタ学習 ,  *モデル選択 ,  予測アルゴリズム , 【Automatic Indexing@JST】

著者キーワード (4件)： データマイニング ,  機械学習 ,  メタ学習 ,  時系列

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： エネルギー ,  時系列予測 ,  モデル選択 ,  集合 ,  記述統計