An Investigation into Seasonal Variations in Energy Forecasting for Student Residences

要約

この研究では、学生の居住環境における季節変動という特有の課題に焦点を当て、エネルギー予測のためのさまざまな機械学習モデルの詳細な評価を提供します。
この研究では、自己回帰フィードフォワード ニューラル ネットワーク、トランスフォーマー、ハイブリッド アプローチなどの最先端の予測手法と並行して、LSTM や GRU などのベースライン モデルのパフォーマンスを評価します。
季節パターン、休暇、気象変化、使用量の突然の変動を引き起こす不規則な人間の活動などの課題の中でのエネルギー消費量の予測には特別な注意が払われます。
この調査結果では、単一のモデルがすべてのシーズンを通じて常に他のモデルを上回るパフォーマンスを示していないことが明らかになり、季節固有のモデル選択やカスタマイズされたデザインの必要性が強調されています。
特に、提案されたハイパー ネットワーク ベースの LSTM モデルと MiniAutoEncXGBoost モデルは、季節変動に対する強力な適応性を示し、夏季のエネルギー消費量の急激な変化を効果的に捕捉します。
この研究は、正確な予測を達成する上での季節ダイナミクスとモデル固有の動作の重要な役割を強調することにより、エネルギー予測分野を前進させます。

要約(オリジナル)

This research provides an in-depth evaluation of various machine learning models for energy forecasting, focusing on the unique challenges of seasonal variations in student residential settings. The study assesses the performance of baseline models, such as LSTM and GRU, alongside state-of-the-art forecasting methods, including Autoregressive Feedforward Neural Networks, Transformers, and hybrid approaches. Special attention is given to predicting energy consumption amidst challenges like seasonal patterns, vacations, meteorological changes, and irregular human activities that cause sudden fluctuations in usage. The findings reveal that no single model consistently outperforms others across all seasons, emphasizing the need for season-specific model selection or tailored designs. Notably, the proposed Hyper Network based LSTM and MiniAutoEncXGBoost models exhibit strong adaptability to seasonal variations, effectively capturing abrupt changes in energy consumption during summer months. This study advances the energy forecasting field by emphasizing the critical role of seasonal dynamics and model-specific behavior in achieving accurate predictions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google