[論文レビュー] Deep Forecast: Deep Learning-based Spatio-Temporal Forecasting

Amir Ghaderi, Borhan M. Sanandaji+1 more|arXiv (Cornell University)|Jul 24, 2017

Energy Load and Power Forecasting参考文献 20被引用数 96

ひとこと要約

tldr: 本論文は、データをグラフとして扱い、マルチステップのLSTM/RNNモデルを用いて全ノードを同時に予測する、深層学習に基づく時空風速予測フレームワーク（DL-STF）を提案し、ベンチマークと比較して短期予測精度が向上することを示す。

ABSTRACT

The paper presents a spatio-temporal wind speed forecasting algorithm using Deep Learning (DL)and in particular, Recurrent Neural Networks(RNNs). Motivated by recent advances in renewable energy integration and smart grids, we apply our proposed algorithm for wind speed forecasting. Renewable energy resources (wind and solar)are random in nature and, thus, their integration is facilitated with accurate short-term forecasts. In our proposed framework, we model the spatiotemporal information by a graph whose nodes are data generating entities and its edges basically model how these nodes are interacting with each other. One of the main contributions of our work is the fact that we obtain forecasts of all nodes of the graph at the same time based on one framework. Results of a case study on recorded time series data from a collection of wind mills in the north-east of the U.S. show that the proposed DL-based forecasting algorithm significantly improves the short-term forecasts compared to a set of widely-used benchmarks models.

研究の動機と目的

• 再生可能エネルギーの統合とスマートグリッドのための高精度な短期風速予測を動機づける。
• 複数の風力発電所間の時空間依存性をグラフとしてモデリング。
• 単一のDLベースのアプローチを用いて、グラフ内の全ノードを同時に予測するフレームワークを開発。
• データ利用を最大化するため、動くホライズン上でステップ固有のモデルを用いて更新予測を扱う。

提案手法

• データ生成エンティティをノードVとエッジEを持つグラフGとしてモデル化する。
• 移動ホライズントレーニングを用い、h time-stepモデルM_iを用いて全ノードのs^tを予測する。
• 各モデルの入力はreal valuesと以前に予測された値の組で、時空学習を可能にする。
• テンソルフロー/Kerasを用いたモデル実装、ReLU活性化とMSRProp最適化子を使用；h=6, ell=12は交差検証に基づく。
• 各M_iを、予測値と実際のノード出力との間の平均絶対誤差である損失Lで訓練する。
• TensorFlow/Kerasを用いてモデルを実装する。ReLU活性化とMSRPropオプティマイザを使用し、h=6、ell=12はクロスバリデーションに基づいて設定。

実験結果

リサーチクエスチョン

• RQ1 DL-STFは個別ノードと全ノードを同時に予測する場合、従来の方法より短期風速予測を改善するか？
• RQ2 明示的に事前指定されたノード間の関係を用意することなく、単一のフレームワーク内で全ステーションの予測を実現できるか？
• RQ3 spatio-temporal training (all nodes) を使用することと、単一ノードのみでのトレーニングを比較した場合の影響は？

主な発見

方法	MAE(m/s)	RMSE(m/s)	NRMSE(%)
パーシステンス予測	2.14	2.83	16.86
次数1のAR	2.07	2.76	16.44
次数3のAR	2.07	2.76	16.40
WT-ANN	1.82	2.47	14.68
ANベースST	1.80	2.30	13.69
LSベースST	1.72	2.20	13.08
DL-STF	1.63	2.19	13.08
DL-STF(All nodes)	1.18	1.62	16.28

• DL-STFは、単一ノード（ACK）に対するMAEとRMSEが、Persistence、AR、WT-ANN、および他のベースラインより低い。
• DL-STF(All nodes)は、ACKサイトで単一ノードDL-STFに比べてMAE/RMSEが大幅に改善（1.18 vs 1.63 MAE、1.62 vs 2.19 RMSE）。
• 全ロケーションでのDL-STFの平均的な性能は、MAEとRMSEでベースラインより優れ、単一ノードの結果と同程度である（1.18 MAE、1.62 RMSE）。
• 全ノードを用いた時空モデルは、ターゲットノードのみのデータを用いる場合より予測精度を向上させ、ノード間相互作用の価値を示している。
• 本研究は米国東海岸に沿って57のMETARステーションを使用しており、ネットワーク全体での短期風速予測の改善を示す。