抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
高度な機械学習アルゴリズムは負荷予測に効果的であるが,それらはしばしば低いデータ利用に悩まされ,従ってそれらの優れた性能は大規模なデータセットに依存する。これは,改善されたデータ利用による機械学習アルゴリズムの設計を動機づける。特に,エネルギー消費の僅かなショット(データポイント)だけを観察することにより,システムにおける新しいユーザに対する負荷予測を考察した。このタスクは,限られたサンプルが,負荷予測に不可欠な時間特性を利用するのに不十分であるので,挑戦的である。それにもかかわらず,限られた種類の人間の生活様式のため,住宅負荷には多くの時間的特性がないと知っている。したがって,既存のユーザからの歴史的負荷プロファイルデータを利用して,限られたサンプルによってもたらされる課題を緩和する効果的なクラスタリングを行う。特に,歴史的データを分類するための特徴抽出クラスタリング法を設計した。次に,クラスタリング結果から事前知識を継承し,新しいユーザに対する負荷予測を行うための2相Long Short Term Melm (LSTM)モデルを提案した。提案方法は,特に訓練サンプルサイズが全期間(すなわち,著者らのタスクで24時間)をカバーすることができないとき,従来のLSTMモデルより優れている。2つの実世界データセットと1つの合成データセットに関する大規模な事例研究は,著者らの方法の有効性と効率性を証明した。【JST・京大機械翻訳】