Инициализация как ключевой фактор в федеративном краткосрочном прогнозировании нагрузки

США и Запад · 31 авг.

Исследование посвящено федеративному обучению для краткосрочного прогнозирования электрической нагрузки (STLF), которое учитывает проблемы конфиденциальности данных. Авторы выявляют структурированную неоднородность в данных клиентов: разные реакции на внешние факторы и различные временные профили нагрузки, что ухудшает точность прогнозов при федеративном обучении. Для решения предлагаются две стратегии инициализации модели — глобальная и локальная, которые улучшают качество прогнозирования.

Почему это важно

Актуально для задач прогнозирования в энергетике, где необходимо учитывать распределенные данные и обеспечивать конфиденциальность, а также адаптироваться к неоднородности потребителей.

Созвучно продуктам ЦД

ЦД.Прогноз

Заголовок оригинала: Initialization Is Critical: Advancing Federated Short-Term Load Forecasting under Load Heterogeneity via Model Initialization

Читать первоисточник: arXiv — Systems and Control (eess.SY)

Перевод и краткое изложение — машинные, по материалам источника. Полный текст статьи не републикуется; права на него принадлежат источнику.

Рядом по теме

МоделированиеСША и Запад4 дн

Байесовский вывод для агентных моделей при 90% экономии симуляций

Предложен метод DF-NPE: обученные сводки временных рядов и два условных нормализующих потока — для генерации синтетических обучающих пар и для оценки апостериорного распределения. Подход дополняет прямые симуляции синтетикой и поддерживает объединённую и упорядоченную стратегии обучения. На двух конфигурациях модели ценообразования активов Брока—Хоммса прямых симуляций стало на 90% меньше при меньшем расхождении апостериорных оценок и меньшем времени работы.

ЦД.ПрогнозarXiv — Multiagent Systems (cs.MA) ↗

МоделированиеСША и Запад4 дн

Адаптация нейросетевых оценщиков апостериорного распределения для агентных моделей

Агентные модели в экономике и социальных науках описывают неоднородное поведение и взаимодействия через симуляции, а их функция правдоподобия часто недоступна для оценки параметров. Работа рассматривает нейросетевой вывод без правдоподобия, в частности оценку апостериорного распределения нормализующими потоками, дающую амортизированный байесовский вывод. Отмечается, что предобученный оценщик может терять точность при смене целевой задачи, и обсуждается адаптация таких оценщиков.

ЦД.ПрогнозarXiv — Multiagent Systems (cs.MA) ↗

Цифровой двойникСША и Запад5 дн

Цифровой двойник памяти квантового репитера учитывает неопределённость модели

Представлен QMemTwin — физически ограниченный цифровой двойник для оценки сохранённого запутывания в памяти квантового репитера. Он калибрует набор пассивных моделей состояния и объединяет их по весам Акаике с поправкой на малую выборку, а при отсутствии поддержки в данных воздерживается от вывода. Оценка проведена на синтетических примерах памятей, включая стационарные и нестационарные случаи со структурными сдвигами.

ЦДГЦД.ПрогнозarXiv API — полнотекстовый поиск "digital twin" ↗