Recursive deep learning with multi-scale attention for energy demand dynamics
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
• Fully learnable filters adapt to nonstationary and multi-scale signal dynamics. • Joint training of denoising and modeling enhances end-to-end accuracy and stability. • Entropy-aware gating fuses multi-stage forecasts with uncertainty-based weighting. • Delivers robust energy price forecasting under volatility and regime shifts. • Achieves up to 85% RMSE and 99% MAPE reduction over 50 existing models. Nonstationary and multi-scale time series challenge traditional decomposition-based and denoising techniques. These approaches often rely on fixed transformations or shallow residual modeling, limiting adaptability to evolving dynamics likes energy price forecasting. This work introduces an end-to-end recursive deep learning architecture that preserves the classical estimation loop while rendering all state-space parameters data-adaptive at every stage and time step. The parameters are synthesized by a lightweight neural generator conditioned on recent residual behavior and cross-scale context, enabling reconfiguration as regimes shift. Robustness is ensured through two design choices: a stability-preserving parameterization of state evolution that prevents drift and explosions, and innovation-driven, heteroskedastic noise modeling that automatically adjusts to volatility. At each stage, a trend is extracted, modeled by a shared deep multilayer perceptron (DMLP), and fused through an entropy-aware module that weights stage contributions, yielding a closed loop that progressively removes structure from the residuals. On the WTI crude oil dataset, compared to a baseline DMLP (MAE = 1.879, MAPE = 1.825 %, RMSE = 2.457), the proposed model achieved a 57.1 % reduction in MAE, 56.7 % in MAPE, and 58.0 % in RMSE (MAE = 0.806, MAPE = 0.787 %, RMSE = 1.031). It also outperformed over 50 state-of-the-art models, achieving up to 85 % lower RMSE and over 99 % reduction in MAPE. The framework is compact, reproducible, and suitable for energy-economics analytics under regime shifts and noise.
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 | 0,000 | 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 découle