Conv-Ensemble for Solar Power Prediction With First Nations Seasonal Information
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Power generation forecasting, especially for solar power, is crucial for future energy planning. In this study, a novel framework, namely <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">FNS-Metrics</i>, is proposed to integrate seasonal information from First Nations calendars into solar power forecasting. Furthermore, a novel Conv-Ensemble framework is proposed, leveraging the high-level feature extraction capabilities of Conv1D layers along with the low-level feature extraction abilities of transformer and LSTM networks. A weighted feature concatenation technique is also integrated into the proposed approach to combine the features effectively. To validate the proposed FNS-Metrics and Conv-Ensemble framework, a new dataset is constructed by collecting power and weather data from the Desert Knowledge Australia Solar Center in Alice Springs and integrating data related to First Nations seasonal cycles. Experiments on this dataset show that the Conv-Ensemble framework with FNS-Metrics outperforms traditional approaches, achieving state-of-the-art solar power prediction with the highest <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><tex-math notation="LaTeX">$R^{2}$</tex-math></inline-formula> of 0.8641 and the lowest MSE of 22.41. These represent a 14.60% and 26.21% increase compared to the baseline configuration of Conv-Transformer. The ablation study demonstrates that the Conv-Ensemble framework improves performance compared to the baselines. Furthermore, the results for individual and combined FNS-Metrics features show a progressive improvement in performance.
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.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 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 découle