为了解决机器学习中特征工程管道独立维护导致的重复和冲突问题,本文介绍了一个管理型特征存储的核心架构组件和设计经验.
May, 2023
该研究探讨了电力行业由中央集中化向分散化的转变,重点关注了机器学习在推动可再生能源和改善电网管理方面的关键作用。研究使用了人工神经网络、支持向量机和决策树等多种技术,将机器学习模型应用于预测可再生能源的生成和消耗,并采用数据预处理方法提高预测准确性。通过结合大数据和机器学习技术,智能电网能够提高能源效率、更有效地响应需求并更好地整合可再生能源。然而,需要解决大数据处理、网络安全和获取专业技术等挑战。总之,该研究揭示了电力行业由中央集中化向分散化解决方案转变,并通过应用机器学习创新和分布式决策塑造了更高效和可持续的能源未来。
Oct, 2023
通过引入集合 ETT-17(Energy Transition Tasks-17)和一种多任务机器学习模型,该研究分析了与增强可再生能源相关的 17 个数据集,并提供了性能基准。
Nov, 2023
通过跨地理分散的电动汽车充电站和联邦学习的高效变种,结合最新进展的 Transformer 架构,提出了一种通信高效的时间序列预测模型,具有与其他模型相媲美的性能,但在训练过程中消耗更低的数据速率。
Sep, 2023
建筑物占据了全球能源消耗的相当大部分。本文调查了应用于建筑物能源管理的主要语义建模技术,并提供了具体的应用案例,揭示了每种模型固有的关键概念和限制。我们的发现将帮助研究人员确定在不同应用场景中使用这些模型的适当条件和方法。
Apr, 2024
本文旨在介绍各种深度学习方法以提高能源时间序列预测性能,特别强调希腊能源市场的应用。
Jun, 2023
本文研究能量学习及能量模型,重点关注特征集的多样性和冗余性的影响,利用 PAC 理论推导出各种上下文中的泛化界限,并表明减少特征集的冗余性可以提高模型的性能。
通过从 Kaggle 竞赛中选择 10 个相关数据集,实现专家级预处理流程,并进行实验以量化模型选择、超参数优化、特征工程和测试时间适应的影响,我们的主要发现是:1. 数据集特定的特征工程后,模型排名发生了显著变化,性能差异减小,模型选择的重要性降低。2. 最新模型虽然取得了可衡量的进步,但仍然极大受益于手动特征工程,这对基于树的模型和神经网络都适用。3. 虽然通常认为表格数据是静态的,但样本经常随着时间的推移而收集,适应分布的变化即使在所谓的静态数据中也很重要。这些观点表明研究应关注数据为中心的视角,承认表格数据需要特征工程,并且通常具有时间特性。
Jul, 2024
利用数据驱动方法预测建筑能源需求的可预测性,不需先使用数据驱动的预测模型。
利用三种回归模型来预测建筑的主要燃料使用、电能消耗和节约成本,以及通过应用元启发式技术优化决策树算法,研究分析影响能源消耗和成本降低的因素,并评估潜在建筑的实用特征,以减少主要燃料使用、电能消耗和成本。