State of the art in energy consumption using deep learning models
Notice bibliographique
Résumé
In the literature, it is well known that there is a bidirectional causality between economic growth and energy consumption. This is why it is crucial to forecast energy consumption. In this study, four deep learning models, i.e., Long Short-Term Memory (LSTM), stacked LSTM, bidirectional LSTM, and Gated Recurrent Unit (GRU), were used to forecast energy consumption in Brazil, Canada, and France. After a training test period, the performance evaluation criterion, i.e., R2, mean square error, root mean square error, mean absolute error, and mean absolute percentage error, was performed for the performance measure. It showed that GRU is the best model for Canada and France, while LSTM is the best model for Brazil. Therefore, the energy consumption prediction was made for the 12 months of the year 2017 using LSTM for Brazil and GRU for Canada and France. Based on the selected model, it was projected that the energy consumption in Brazil was 38 597.14–38 092.88, 63 900–4 800 000 GWh in Canada, and 50 999.72–32 747.01 GWh in France in 2017. The projected consumption in Canada was very high due to the country’s higher industrialization. The results obtained in this study confirmed that the nature of energy production will impact the complexity of the deep learning model.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».