Gestione del consumo di energia mediante novelty detection

L'approccio di rilevamento della novità viene in genere utilizzato quando la quantità di dati "anormali" disponibili è insufficiente per costruire modelli espliciti per classi non normali. Il rilevamento delle novità ha ottenuto molta attenzione nella ricerca in domini applicativi che coinvolgono grandi database acquisiti da sistemi critici (industria, sanità, sicurezza, videosorveglianza, ecc.).

Recenti applicazioni di successo delle reti neurali ricorrenti (RNN) basate sulla memoria a lungo termine (LSTM), hanno dimostrato di essere particolarmente utili per l'apprendimento di sequenze contenenti pattern a lungo termine di lunghezza sconosciuta, a causa della loro capacità di conservare memoria a lungo termine.

Abbiamo analizzato le performance predittive di un'architettura di reti neurali ricorrenti per la gestione del consumo di energia variando la lunghezza della sequenza di input elaborata e la dimensione della finestra temporale utilizzata nell'estrazione delle funzionalità. I risultati hanno corroborato l'ipotesi che i modelli sequenziali funzionino meglio quando si tratta di dati caratterizzati dall'ordine temporale. Tuttavia, finora l'ottimizzazione della dimensione temporale rimane un problema aperto. Infine abbiamo confrontato il nostro approccio con metodi più tradizionali basati sulla distribuzione gaussiana.

Tutti gli orari

Domenica 14 Ottobre
Dalle 12.00 alle 13.00
Room 8 pav. 8
Gestione del consumo di energia mediante novelty detection

Antonio Rizzo, Giovanni Burresi

Antonio is a Full Professor of Cognitive Science & Technology at the Siena University. Psychologist and Tennist.


Categoria Talk & Conference · Type Talk
Back