予測不可能性の知覚による新エネルギー電力および電力消費予測

科学分野:

• データサイエンス
• 機械学習
• 信号処理

背景:

• 正確なセンサーネットワークデータ予測は、電力システムと交通計画にとって非常に重要です。
• 現在のディープラーニングモデルは、均一な予測可能性を仮定しており、時間的距離と信号のランダム性を無視しています。
• この均一なアプローチは、センサーデータにおける一般化可能なパターンの学習を妨げる可能性があります。

研究 の 目的:

• 予測タスク固有の予測不可能性を考慮した新しい損失関数を開発すること。
• センサーネットワークデータ予測モデルの精度と信頼性を向上させること。
• 重要インフラストラクチャの安定性と都市運用効率を向上させること。

主な方法:

• 動的に計算された監視重みを持つ予測不可能性の知覚損失関数を導入しました。
• 予測不可能性の2つの次元を統合しました：信号のランダム性（局所スペクトルエントロピー）と時間的距離（指数関数的減衰）。
• 提案された損失関数をTimeMixerモデルに適用して実験的検証を行いました。

主要な成果:

• 予測不可能性の知覚損失は、複数の公開ベンチマークデータセットでパフォーマンスの向上を示しました。
• ランダム信号セグメントと遠い将来のポイントに対する監視を削減しました。
• 信号の予測可能性に合わせて監視を調整することにより、センサーネットワークデータの予測精度を向上させました。

結論:

• 予測不可能性の知覚損失関数は、重要インフラストラクチャの安定性に対してより信頼性の高い技術的基盤を提供します。
• 予測精度の向上は、グリッドの安定性の向上と都市交通システムの最適化をサポートします。
• この方法は、複雑なドメインにおける時系列予測のためのディープラーニングへのより堅牢なアプローチを提供します。