298037記事公開中

トレンドワード
  2. AIベンチマークリサーチ
  3. 論文研究
  4. SEAモデルによる熱需要予測の統合手法（SEA: A Combined Model for Heat Demand Prediction）
2 分で読了
1 views

SEAモデルによる熱需要予測の統合手法

（SEA: A Combined Model for Heat Demand Prediction）

さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか？

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として
一目置かれる存在に！

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか？

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、
あなたも生成AIマスター！

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題！誰1人置いていかずに寄り添います。

詳細を見る

田中専務

拓海先生、最近部下が「STLとENNとARIMAを組み合わせた論文が良い」と言ってきましてね。正直、頭がクラクラします。これって現場で使える投資対効果は見込めるのでしょうか。

AIメンター拓海

素晴らしい着眼点ですね！大丈夫、一緒に整理すれば導入判断がぐっと楽になりますよ。端的に言うと、この論文は「季節変動と長期傾向を分けて、それぞれに得意な手法を当てる」ことで予測精度を高める手法を示しています。

田中専務

それは分解してから別々に予測するということですか。うちの現場データで本当に差が出るものなんですか。導入コストに見合うのかが気になります。

AIメンター拓海

まず結論を3点にまとめますね。1) 季節性（seasonal component）は非線形な振る舞いを示しやすく、ニューラルネットワーク系で扱うと強みを発揮する点。2) 長期傾向（trend）は比較的線形でARIMAのような古典手法が効率的である点。3) 両者を分けて予測を合成することで精度が向上する点です。費用対効果はデータ品質と目的精度次第で判断できますよ。

田中専務

なるほど。STLとかENNとかARIMAという聞き慣れない単語が並びますが、まずSTLって何ですか。これって実務で扱えるレベルのものなのでしょうか。

AIメンター拓海

素晴らしい着眼点ですね！STLは

監修者

阪上雅昭（SAKAGAMI Masa-aki）
京都大学　人間・環境学研究科　名誉教授

論文研究シリーズ
前の記事
音声認識における未対応テキスト活用──バックトランスレーション型データ増強
（BACK-TRANSLATION-STYLE DATA AUGMENTATION FOR END-TO-END ASR）
次の記事
識別的零空間における最大マージン尺度学習
（Nullspace Kernel Maximum Margin Metric Learning）
関連記事
最小二乗における早期停止の連続時間的考察
(A Continuous-Time View of Early Stopping for Least Squares)
軌道モデリングに基づく自己教師あり機械学習アプローチの宇宙交通管理への応用
（Self-supervised Machine Learning Based Approach to Orbit Modelling Applied to Space Traffic Management）
治療効果解析による予測的イメージングバイオマーカー発見の促進
(Enhancing predictive imaging biomarker discovery through treatment effect analysis)
属性とグラフ埋め込み表現間の構造的一貫性を持つデカップルド・グラフニューラルネットワーク
（DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations）
Autonomous Racing using Learning Model Predictive Control
（学習型モデル予測制御を用いた自律レーシング）
社会的健康要因を組み込んだ知識グラフが医療AIの公平性を変える—Integrating Social Determinants of Health into Knowledge Graphs: Evaluating Prediction Bias and Fairness in Healthcare
この記事をシェア

有益な情報を同僚や仲間と共有しませんか？

AI技術革新 - 人気記事
ブラックホールと量子機械学習の対応
（Black hole/quantum machine learning correspondence）
  • 論文研究
生成AI検索における敏感なユーザークエリの分類と分析
（Taxonomy and Analysis of Sensitive User Queries in Generative AI Search System）
  • 論文研究
DiReDi：AIoTアプリケーションのための蒸留と逆蒸留
（DiReDi: Distillation and Reverse Distillation for AIoT Applications）
  • 論文研究

PCも苦手だった私が

“AIに詳しい人“
として一目置かれる存在に！
  • AIBRプレミアム
  • 実践型生成AI活用キャンプ
あなたにオススメのカテゴリ
論文研究
最新記事
ベトナム語の単語分割・品詞付与・依存構文解析を同時に学習するニューラル結合モデル
(A neural joint model for Vietnamese word segmentation, POS tagging and dependency parsing)
  • 論文研究
多面的にもつれが示す本質と応用可能性
（Multi-Faced Entanglement）
  • 論文研究
畳み込み符号の高性能復号器
（High-performance Decoder for Convolutional Code with Deep Neural Network）
  • 論文研究
ネットワークから悪意あるノードを排除する最適化
（Removing Malicious Nodes from Networks）
  • 論文研究
個別化需要予測のための多変量到着時間モデル
（Multivariate Arrival Times with Recurrent Neural Networks for Personalized Demand Forecasting）
  • 論文研究
層逐次の貪欲学習でImageNetに拡張できる
（Greedy Layerwise Learning Can Scale to ImageNet）
  • 論文研究
さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか？

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として一目置かれる存在に！

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか？

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、あなたも生成AIマスター！

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題！誰1人置いていかずに寄り添います。

詳細を見る

AI Benchmark Researchをもっと見る

今すぐ購読し、続きを読んで、すべてのアーカイブにアクセスしましょう。

続きを読む