机构名称：
¥ 1.0
近年来，由于能够从数据中提取模式并产生有价值的决策知识，因此对深度学习技术的使用已获得流行。深层神经网络的几种应用正在能量领域增长。建立越来越可持续的建筑物或工厂的挑战使使用机器学习技术来预测他们所需的能源需求并重新分配能源以避免浪费。在与可持续性有关的所有情况下，能源效率至关重要，并且使用深度学习技术可以准确预测能源需求，从而使能源系统能够根据需要将能源重新分配给客户。但是，在此类应用程序中要处理的数据量增加提出了重大挑战。深度神经网络变得越来越复杂，需要许多隐藏层来处理数据。此外，文献中的现有模型需要对超参数进行临时调整，以最大程度地提高准确性。为了解决这个问题，已经开发了几种技术来生成自动深度神经网络，以改善多元时间序列问题的性能，例如在能源需求预测的情况下。所有这些技术均表示为自动化机器学习（AUTOML）[1]，可以分为两种类型：神经体系结构搜索（NAS）和超参数优化（HPO）。神经体系结构搜索方法基于优化算法，以选择适合数据集的最佳神经网络体系结构，并避免过度适应以达到最佳模型精度。另一方面，超参数优化选择了最大化这种网络性能的神经网络体系结构的最佳超参数。可以将预测客户的能源需求（例如建筑物或工厂）的问题建模为多元时间序列，因为几个变量可能会影响所需能源的需求。在[2]中，已经证明了变量如何在多变量时间序列预测中相互影响，并且使用元神经算法可以帮助选择每个变量的最佳预测指标，从而提高预测的准确性。在这项研究工作中，我们采用了自动化机器学习算法，称为GP-NAS（通用神经架构搜索），发表在[3]中，设计了一种神经网络体系结构，可最大程度地提高医院设施中能源消费的性能[4]。我们的目标是展示如何在多元时间序列预测问题中使用我们的算法，从而为设计在该领域使用的深神经网络体系结构提供了宝贵的贡献。
通过自动化
主要关键词
相关文件推荐
