כתבה
arXiv cs.LG ·
אימון נתונים מאומת להצבעת דרישה למודלי AI לקידוח חשבונות חשמל בבניינים בארצות הברית
Validated Data Onboarding for AI Demand Forecasting on U.S. Building Meter Data: Design, Controlled Evaluation, and a Corrected Negative Result
מאמר זה מציג פייפלינג לאימון נתונים שמזהה ותוקן תקלות בנתוני חשמל בבניינים בארצות הברית. המאמר כולל ניסוי מאומת שמדגם את הפייפלינג ומציג תוצאות טובות.
תקציר מקורי באנגליתarXiv:2610.02397v1 Announce Type: new Abstract: Electric utilities and grid operators increasingly rely on machine-learning models to forecast next-day demand, and those models learn from meter data that is routinely defective: readings go missing, sensors freeze, buildings read zero for hours, and units change by a factor of 100. This report presents a data-onboarding pipeline that detects and repairs such defects before a model is trained, using only information available at forecast time, and a controlled experiment that measures whether the pipeline protects a 24-hour-ahead forecast. On hourly electricity data for twelve U.S. buildings from the public Building Data Genome 2 dataset (210,528 rows, 2016-2017), seeded, hash-logged defects touching 0.10% of the training period raised the e
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית