Percepción de la Imprevisibilidad para la Predicción de Energía Nueva y Consumo Eléctrico

Área de la Ciencia:

• Ciencia de Datos
• Aprendizaje Automático
• Procesamiento de Señales

Sus antecedentes:

• La predicción precisa de datos de redes de sensores es crucial para los sistemas de energía eléctrica y la planificación del tráfico.
• Los modelos actuales de aprendizaje profundo asumen una predecibilidad uniforme, descuidando la distancia temporal y la aleatoriedad de la señal.
• Este enfoque uniforme puede obstaculizar el aprendizaje de patrones generalizables en los datos de sensores.

Objetivo del estudio:

• Desarrollar una función de pérdida novedosa que tenga en cuenta la imprevisibilidad intrínseca de las tareas de predicción.
• Mejorar la precisión y fiabilidad de los modelos de predicción de datos de redes de sensores.
• Mejorar la estabilidad de las infraestructuras críticas y la eficiencia operativa urbana.

Principales métodos:

• Introducción de una función de pérdida de Percepción de la Imprevisibilidad con pesos de supervisión calculados dinámicamente.
• Unificación de dos dimensiones de imprevisibilidad: aleatoriedad de la señal (entropía espectral local) y distancia temporal (decaimiento exponencial).
• Aplicación de la función de pérdida propuesta al modelo TimeMixer para validación experimental.

Principales resultados:

• La pérdida de Percepción de la Imprevisibilidad demostró mejoras de rendimiento en múltiples conjuntos de datos públicos de referencia.
• Reducción de la supervisión en segmentos de señales aleatorias y puntos del futuro distante.
• Mejora de la precisión de la predicción para datos de redes de sensores al ajustar la supervisión a la predecibilidad de la señal.

Conclusiones:

• La función de pérdida de Percepción de la Imprevisibilidad ofrece una base técnica más fiable para la estabilidad de la infraestructura crítica.
• La mejora de la precisión de la predicción apoya la mejora de la estabilidad de la red y la optimización de los sistemas de tráfico urbano.
• Este método proporciona un enfoque más robusto para el aprendizaje profundo en la predicción de series temporales en dominios complejos.