arXiv:2010.03027

Demand Forecasting in Bike-sharing Systems Based on A Multiple Spatiotemporal Fusion Network

Xiao Yan, Gang Kou, Feng Xiao, Dapeng Zhang, Xianghua Gan

제출 2020-09-23

원문 초록

Bike-sharing systems (BSSs) have become increasingly popular around the globe and have attracted a wide range of research interests. In this paper, the demand forecasting problem in BSSs is studied. Spatial and temporal features are critical for demand forecasting in BSSs, but it is challenging to extract spatiotemporal dynamics. Another challenge is to capture the relations between spatiotemporal dynamics and external factors, such as weather, day-of-week, and time-of-day. To address these challenges, we propose a multiple spatiotemporal fusion network named MSTF-Net. MSTF-Net consists of multiple spatiotemporal blocks: 3D convolutional network (3D-CNN) blocks, eidetic 3D convolutional long short-term memory networks (E3D-LSTM) blocks, and fully-connected (FC) blocks. Specifically, 3D-CNN blocks highlight extracting short-term spatiotemporal dependence in each fragment (i.e., closeness, period, and trend); E3D-LSTM blocks further extract long-term spatiotemporal dependence over all fragments; FC blocks extract nonlinear correlations of external factors. Finally, the latent representations of E3D-LSTM and FC blocks are fused to obtain the final prediction. For two real-world datasets, it is shown that MSTF-Net outperforms seven state-of-the-art models.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2606.20918v1cs.LG공통 태그 Ensemble Learning, Demand Forecasting

날씨, 달력, COVID-19 지표를 활용한 하이브리드 트랜스포머-XGBoost 프레임워크 기반 뉴잉글랜드 단기 전력 수요 예측

Short-Term Electricity Demand Forecasting for New England Using a Hybrid Transformer-XGBoost Framework with Weather, Calendar, and COVID-19 Indicators

정확한 단기 전력 수요 예측은 안정적인 전력 시스템 운영, 에너지 시장 계획, 인프라 최적화에 필수적이다. 본 논문은 트랜스포머 인코더를 이용한 시간적 특징 추출과 그래디언트 부스팅 의사결정 트리(XGBoost)를 결합한 하이브리드 프레임워크를 제시하며, 뉴잉글랜드 전역의 일별 전력 수요를 예측한다. 이 프레임워크는 뉴잉글랜드 6개 주에 걸친 6개 도시의 기상 관측 데이터, 달력 및 공휴일 효과, 자기회귀적 수요 시차(lag), 그리고 COVID-19 역학 변수를 통합한다. 하이퍼파라미터 최적화는 Optuna와 다변량 트리 구조 Parzen 추정기를 사용하여 500회 시도를 수행하며, 데이터 누출이 없는 70/15/15 시간 순서 기반 학습-검증-테스트 분할을 적용한다. 하이브리드 모델은 테스트 RMSE 8,876 MWh, MAPE 2.05%, R² 0.906을 달성한다. 표 형식 데이터만 사용하는 XGBoost 기준선은 RMSE 9,304 MWh, MAPE 2.21%, R² 0.896을 달성한다. Diebold-Mariano 검정(Harvey-Leybourne-Newbold 보정)은 427.7 MWh의 차이가 통계적으로 노이즈와 구별되지 않음을 확인한다(DM = -1.126, p = 0.262). 에블레이션 연구에 따르면 COVID-19 특징은 학습 정확도를 향상시켰으나 테스트에서 비대칭적 효과를 나타냈다: 제거 시 하이브리드 RMSE는 3.2% 저하된 반면 XGBoost 단독 모델은 1.2% 소폭 개선되었다. SHAP 시간적 분석은 8개 COVID 특징 중 5개가 팬데믹 활성 학습 기간보다 급성기 이후 테스트 세트에서 더 높은 순위를 보임을 나타내며, 이는 모델이 학습된 팬데믹 패턴을 과도하게 적용함을 시사한다. 이러한 결과는 시간적 타당성 감쇠(temporal validity decay)를 핵심 메커니즘으로 확립한다: 행동 변화가 2020~2021년 동안 강력한 COVID-수요 신호를 생성했으나, 2022년 중반까지 적응이 완료되어 역학적 특징들이 오래된 팬데믹 패턴에 대한 과적합을 증폭시키는 노이즈로 남게 되었다.

arXiv:2512.11081v2stat.ML공통 태그 Ensemble Learning, Feature Importance

랜덤 포레스트에서 국소적으로 중요한 부호가 있는 특징 및 상호작용의 증명 가능한 복구

Provable Recovery of Locally Important Signed Features and Interactions from Random Forest

특징 및 상호작용 중요도(FII) 방법은 복잡한 예측 모델에서 입력 변수와 그 상호작용의 관련성을 평가하기 위해 지도 학습에서 필수적입니다. 개인 맞춤형 의학과 같은 많은 도메인에서는 전반적인 특징 중요도를 요약하는 전역 점수보다는 개별 예측에 대한 국소적 해석이 종종 요구됩니다. 랜덤 포레스트(RF)는 이러한 설정에서 널리 사용되며, 기존의 해석 가능성 방법은 일반적으로 모델 특화 통찰을 제공하기 위해 트리 구조와 분할 통계량을 활용합니다. 그러나 RF에 대한 국소적 FII 방법의 이론적 이해는 여전히 제한적이어서, 개별 예측에 대한 높은 중요도 점수를 해석하는 방법이 불분명합니다. 우리는 의사결정 경로를 따라 특징의 빈번한 동시 발생을 식별하여 전역 패턴과 주어진 테스트 포인트에 특정한 경로에서 관찰된 패턴을 결합하는 새로운 국소적이고 모델 특화적인 FII 방법을 제안합니다. 우리는 우리의 방법이 국소적 스파이크 희소(LSS) 모델 하에서 실제 국소 신호 특징과 그 상호작용을 일관되게 복구하며, 또한 크거나 작은 특징 값이 예측을 주도하는지 여부를 식별한다는 것을 증명합니다. 우리는 시뮬레이션 연구와 실제 데이터 예제를 통해 우리의 방법과 이론적 결과의 유용성을 입증합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.