文献

J-GLOBAL ID：202202221792470202   整理番号：22A0891366

電力消費予測:高周波データのためのフレームワーク【JST・京大機械翻訳】

Electrical consumption forecasting: a framework for high frequency data

著者 (3件)： Michell Kevin (Departamento de Industrias, Universidad Tecnica Federico Santa Maria, Valparaiso, Chile) ,  Kristjanpoller Werner (Departamento de Industrias, Universidad Tecnica Federico Santa Maria, Valparaiso, Chile) ,  Minutolo Marcel C. (Robert Morris University, School of Business, Moontown, PA, USA)
資料名： Neural Computing & Applications  (Neural Computing & Applications)
巻： 34  号： 7  ページ： 5577-5586  発行年： 2022年 
JST資料番号： W0703A  ISSN： 0941-0643  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 電力消費の需要を知ることは,気候変動,ライフサイクルコスト,および最適一次資源抽出を助けることができる効率的なエネルギープログラミング政策にとって重要である。本論文では,高周波電力消費データの予測性能を改善するためのフレームワークを提案した。著者らは,週の各日に異なるモデルを使用し,次に,合計予測を得るためにそれらを構成する。機械学習(Long-Short Termメモリネットワーク)と計量経済モデル(AutoRegressive Integrated Moving Mean and Holtz-Winters)の両方を適用し,モデル性能を比較するデータにおける時間依存性を考察した。古典的ARIMAモデルが他のモデルより優れていることを見出した。しかし,提案フレームワークの適用において,LSTMはすべての他のモデルより優れている。結果は,平均絶対比率誤差と平均二乗誤差のために構築したモデル信頼性集合試験によって示されるように,統計的に有意であった。Copyright The Author(s), under exclusive licence to Springer-Verlag London Ltd., part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 時系列分析 ,  信頼性 ,  *電力消費 ,  *HF【周波数】 ,  気候変動 ,  時間依存性 ,  ライフサイクルコスト ,  機械学習
準シソーラス用語： 計量経済モデル ,  ARIMAモデル ,  平均二乗誤差 ,  予測性能 ,  長短期記憶 , 【Automatic Indexing@JST】

著者キーワード (5件)： LSTM ,  高周波 ,  電力消費 ,  計量経済モデル ,  時系列解析

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 電力消費 ,  予測 ,  高周波 ,  フレームワーク