文献

J-GLOBAL ID：202202258723248900   整理番号：22A0161978

注意ベースLSTMとファジィ情報造粒を用いた建物エネルギー予測のためのデータ駆動区間予測モデル【JST・京大機械翻訳】

A data-driven interval forecasting model for building energy prediction using attention-based LSTM and fuzzy information granulation

著者 (7件)： Li Yue (State Key Laboratory of Fluid Power and Mechatronic Systems, Zhejiang University, Hangzhou, 310027, China) ,  Li Yue (School of Mechanical Engineering, Zhejiang University, Hangzhou 310027, China) ,  Tong Zheming (State Key Laboratory of Fluid Power and Mechatronic Systems, Zhejiang University, Hangzhou, 310027, China) ,  Tong Zheming (School of Mechanical Engineering, Zhejiang University, Hangzhou 310027, China) ,  Tong Shuiguang (State Key Laboratory of Fluid Power and Mechatronic Systems, Zhejiang University, Hangzhou, 310027, China) ,  Tong Shuiguang (School of Mechanical Engineering, Zhejiang University, Hangzhou 310027, China) ,  Westerdahl Dane (Division of Environment and Sustainability, The Hong Kong University of Science & Technology, Clear Water Bay, Kowloon, 999077, Hong Kong)
資料名： Sustainable Cities and Society  (Sustainable Cities and Society)
巻： 76  ページ： Null  発行年： 2022年 
JST資料番号： W2908A  ISSN： 2210-6707  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 建築エネルギー消費の予測における不確実性の定量化はエネルギー管理システムの構築に重要である。本研究では,ファジィ情報造粒,注意メカニズム,および長い短期メモリ(LSTM)ネットワークを建築物エネルギー消費を予測し,間隔の形で将来の不確実性を提示することにより,深層学習ベース間隔予測モデルを開発した。特に,ファジィ情報造粒理論を区間推定のために用いて,注意ベースのLSTMを,間隔予測を提供するために自動ハイパーパラメータ最適化装置と組み合わせて展開した。実際の建築データセットに基づく事例研究を提案モデルの検証のために実施した。本研究は造粒窓サイズが予測間隔(PI)の品質を決定する最も重要なパラメータの一つであることを示した。造粒窓サイズの減少はPI被覆確率の減少をもたらす。さらに,注意ベースLSTMを用いた提案区間予測モデルを従来のLSTMを用いたモデルと比較した。注意ベースのLSTMは,PIカバレッジ確率に関して従来のLSTMより良い間隔予測性能を提供して,注意機構が,モデルが情報を使用する効率を増加することによって,間隔予測性能を向上するための重要な利点を有することを示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  最適化 ,  ネットワーク ,  不確実性 ,  被覆 ,  *造粒 ,  事例研究 ,  曖昧さ ,  *予測モデル
準シソーラス用語： 予測性能 ,  区間推定 ,  データ駆動 ,  ハイパーパラメータ ,  深層学習 ,  長短期記憶 , 【Automatic Indexing@JST】

著者キーワード (5件)： 建築エネルギー予測 ,  深層学習 ,  区間予測 ,  長期短期記憶 ,  不確実性

分類 (2件)： エネルギー消費・省エネルギー  (LD01000B) ,  電力系統一般  (NB02000E)

タイトルに関連する用語 (8件)： 注意 ,  LSTM ,  ファジィ ,  造粒 ,  建物エネルギー ,  予測 ,  データ駆動 ,  予測モデル