ترجمه فارسی مقاله ادغام آینده مورد انتظار: پیش بینی انرژی مبتنی بر برنامه

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Integrating the Expected Future: Schedule Based Energy Forecasting
عنوان مقاله به فارسی ادغام آینده مورد انتظار: پیش بینی انرژی مبتنی بر برنامه
نویسندگان Raffael Theiler, Olga Fink
فرمت مقاله انگلیسی PDF
تعداد صفحات 22
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computers and Society,Machine Learning,رایانه ها و جامعه , یادگیری ماشین ,
توضیحات Submitted 26 August, 2024; originally announced September 2024. , Comments: 22 pages, 8 figures and tables, journal paper
توضیحات به فارسی ارسال شده در 26 اوت 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 22 صفحه ، 8 شکل و میز ، مقاله ژورنال
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Power grid operators depend on accurate and reliable energy forecasts, aiming to minimize cases of extreme errors, as these outliers are particularly challenging to manage during operation. Incorporating planning information -- such as known data about users' future behavior or scheduled events -- has the potential to significantly enhance the accuracy and specificity of forecasts. Although there have been attempts to integrate such expected future behavior, these efforts consistently rely on conventional regression models to process this information. These models often lack the flexibility and capability to effectively incorporate both dynamic, forward-looking contextual inputs and historical data. To address this challenge, we conceptualize this combined forecasting and regression challenge as a sequence-to-sequence modeling problem and demonstrate, with three distinct models, that our contextually enhanced transformer models excel in this task. By leveraging schedule-based contextual information from the Swiss railway traction network, our proposed method significantly improved the average forecasting accuracy of nationwide railway energy consumption. Specifically, enhancing the transformer models with contextual information resulted in an average reduction of mean absolute error by 40.6\% , whereas other state-of-the-art methods did not demonstrate any significant improvement.

چکیده به فارسی (ترجمه ماشینی)

اپراتورهای شبکه برق به پیش بینی های دقیق و قابل اعتماد انرژی بستگی دارند ، با هدف به حداقل رساندن موارد خطاهای شدید ، زیرا این افراد خارج از کشور به ویژه برای مدیریت در طول کار چالش برانگیز هستند.ترکیب اطلاعات برنامه ریزی - مانند داده های شناخته شده در مورد رفتار آینده کاربران یا رویدادهای برنامه ریزی شده - این پتانسیل را دارد که دقت و ویژگی پیش بینی ها را به میزان قابل توجهی افزایش دهد.اگرچه تلاش هایی برای ادغام چنین رفتارهای آینده مورد انتظار صورت گرفته است ، این تلاشها به طور مداوم به مدل های رگرسیون معمولی متکی هستند تا این اطلاعات را پردازش کنند.این مدل ها اغلب فاقد انعطاف پذیری و توانایی در ترکیب مؤثر ورودی های متنی پویا ، آینده نگر و داده های تاریخی هستند.برای پرداختن به این چالش ، ما این چالش پیش بینی و رگرسیون ترکیبی را به عنوان یک مشکل مدل سازی دنباله به توالی مفهوم سازی می کنیم و با سه مدل مجزا نشان می دهیم که مدل های ترانسفورماتور پیشرفته ما در این کار برتری دارند.با استفاده از اطلاعات متنی مبتنی بر برنامه از شبکه کشش راه آهن سوئیس ، روش پیشنهادی ما به طور قابل توجهی دقت پیش بینی پیش بینی مصرف انرژی راه آهن در سراسر کشور را بهبود بخشید.به طور خاص ، تقویت مدلهای ترانسفورماتور با اطلاعات متنی منجر به کاهش متوسط ​​میانگین خطای مطلق توسط 40.6 \ ٪ ، در حالی که سایر روشهای پیشرفته پیشرفت قابل توجهی را نشان نمی دهند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.