[논문 리뷰] Deep Forecast: Deep Learning-based Spatio-Temporal Forecasting

Amir Ghaderi, Borhan M. Sanandaji외 1명|arXiv (Cornell University)|2017. 07. 24.

Energy Load and Power Forecasting참고 문헌 20인용 수 96

한 줄 요약

논문은 그래프 기반의 깊은 학습 기반 시공간 풍속 예측 프레임워크(DL-STF)를 도입하여 데이터를 그래프로 모델링하고 다중 단계 LSTM/RNN 모델을 사용하여 모든 노드를 동시에 예측하며 벤치마크 대비 단기 정확도가 향상됨.

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.

연구 동기 및 목표

• 재생 가능 에너지 통합과 스마트 그리드를 위한 단기 풍속 예측의 정확성에 대한 동기 부여.
• 다수의 풍력 계측소 간의 시공간 의존성을 그래프로 모델링합니다.
• 단일 DL 기반 접근법으로 그래프의 모든 노드를 동시에 예측하는 프레임워크를 개발합니다.
• 이동 수평선 업데이트 예측을 통해 데이터 활용을 극대화하도록 각 모델을 학습합니다.

제안 방법

• 데이터 생성 엔터티를 노드 V와 엣지 E를 가진 그래프 G로 모델링합니다.
• 모든 노드에 대해 s^t를 예측하기 위해 h 시점 모델 M_i를 사용한 이동 수평선 학습을 수행합니다.
• 각 모델의 입력은 실제 값과 이전에 예측된 값을 포함하여 시공간 학습이 가능하도록 합니다.
• RNNs를 LSTM 블록으로 사용하여 시간적 역학과 노드 간 상호작용을 포착합니다.
• 각 M_i를 예측 노드 출력과 실제 노드 출력 간의 평균 절대 오차인 손실 L로 학습합니다.
• 모델 구현에 TensorFlow/Keras를 활용하고, ReLU 활성화 및 MSRProp 옵티마이저를 사용하며, h=6, ell=12를 교차검증에 따라 설정합니다.

실험 결과

연구 질문

• RQ1 DL-STF가 단일 노드 및 모든 노드를 공동으로 예측하는 경우 기존 방법에 비해 단기 풍속 예측을 향상시키는가?
• RQ2 명시적으로 사전 정의된 노드 관계 없이 단일 프레임워크 내에서 모든 스테이션 예측이 가능한가?
• RQ3 시공간 학습(모든 노드) 대 단일 노드 데이터 학습의 영향은 무엇인가?

주요 결과

Method	MAE(m/s)	RMSE(m/s)	NRMSE(%)
Persistence Forecasting	2.14	2.83	16.86
AR of order 1	2.07	2.76	16.44
AR of order 3	2.07	2.76	16.40
WT-ANN	1.82	2.47	14.68
AN-based ST	1.80	2.30	13.69
LS-based 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-STF는 단일 노드(ACK)에서 지속성, AR, WT-ANN 및 다른 벤치마크보다 MAE와 RMSE가 더 낮게 나타난다.
• DL-STF(All nodes)는 ACK 사이트에서 단일 노드 DL-STF에 비해 MAE/RMSE가 현저히 더 우수하다(1.18 대 1.63 MAE, 1.62 대 2.19 RMSE).
• 모든 위치에 대한 DL-STF의 평균 성능은 MAE 1.18, RMSE 1.62로 벤치마크보다 우수하고 단일 노드 결과와 유사하다.
• 시공간 모델링이 대상 노드의 데이터만 사용하는 것보다 예측 정확도를 개선하여 노드 간 상호작용의 가치를 입증한다.
• 연구는 미국 동해안의 57개 METAR 스테이션을 사용하고 네트워크 전반의 단기 풍속 예측에서 개선을 보인다.