A Natural Gas Consumption Forecasting System for Continual Learning Scenarios based on Hoeffding Trees with Change Point Detection Mechanism

要約

季節性と傾向を考慮して天然ガスの消費を予測することは、主に産業団体が天然ガスの供給と消費を計画し、入手コストを最適化する上で非常に重要です。
しかし、その供給が脅かされているときには、個々の消費者のニーズを満たすこの原材料の供給を保証し、社会のエネルギー安全保障を確保する重要な要素でもあります。
この記事では、データ ストリーム処理を使用した継続的な学習機能を備えた、モデル コレクション選択のための変化点検出統合を備えた、天然ガス消費量の新しい多段階先予測を紹介します。
提案されたアプローチに基づく予測モデルのパフォーマンスは、天然ガス消費予測の複雑な現実世界の使用例で評価されます。
予測モデルとして Hoeffding ツリー予測子を採用し、変化点検出手順には Pruned Exact Linear Time (PELT) アルゴリズムを採用しました。
変化点検出の統合により、連続する時間枠に対して異なるモデル コレクションを選択できるようになります。
したがって、3 つのモデル コレクション選択手順 (エラー フィードバック ループの有無にかかわらず) が定義され、さまざまな密度の変化点が検出された予測シナリオが評価されます。
これらのモデルは、変化点にとらわれないベースライン アプローチと比較されました。
私たちの実験では、採用されたモデル コレクションの選択手順に関係なく、変化点が少ないほど予測誤差が小さくなることがわかりました。
また、予測誤差フィードバックを省略したより単純なモデル コレクションの選択手順により、継続的な学習タスクに適したより堅牢な予測モデルが得られます。

要約(オリジナル)

Forecasting natural gas consumption, considering seasonality and trends, is crucial in planning its supply and consumption and optimizing the cost of obtaining it, mainly by industrial entities. However, in times of threats to its supply, it is also a critical element that guarantees the supply of this raw material to meet individual consumers’ needs, ensuring society’s energy security. This article introduces a novel multistep ahead forecasting of natural gas consumption with change point detection integration for model collection selection with continual learning capabilities using data stream processing. The performance of the forecasting models based on the proposed approach is evaluated in a complex real-world use case of natural gas consumption forecasting. We employed Hoeffding tree predictors as forecasting models and the Pruned Exact Linear Time (PELT) algorithm for the change point detection procedure. The change point detection integration enables selecting a different model collection for successive time frames. Thus, three model collection selection procedures (with and without an error feedback loop) are defined and evaluated for forecasting scenarios with various densities of detected change points. These models were compared with change point agnostic baseline approaches. Our experiments show that fewer change points result in a lower forecasting error regardless of the model collection selection procedure employed. Also, simpler model collection selection procedures omitting forecasting error feedback leads to more robust forecasting models suitable for continual learning tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google