Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

NFISiS: New Perspectives on Fuzzy Inference Systems for Renewable Energy Forecasting

Created by
  • Haebom

저자

Kaike Sa Teles Rocha Alves, Eduardo Pestana de Aguiar

개요

본 논문은 긴 학습 시간과 해석의 어려움이라는 딥러닝 모델의 한계를 극복하기 위해, 정확성과 투명성의 균형을 제공하는 퍼지 추론 시스템에 초점을 맞춥니다. 기존 Takagi-Sugeno-Kang (TSK) 퍼지 모델의 한계를 개선하기 위해 새로운 Mamdani 기반 회귀 모델을 제안하고, 정확성과 해석성의 균형을 위해 사용자가 규칙의 수를 정의할 수 있도록 데이터 기반 모델을 설계했습니다. 대용량 데이터셋의 복잡성을 다루기 위해 wrapper 기법과 ensemble 기법을 통합하여 유전 알고리즘을 이용한 feature selection과 Random New Mamdani Regressor, Random New Takagi-Sugeno-Kang, Random Forest New Takagi-Sugeno-Kang 등의 ensemble 모델을 제시합니다. 태양광 발전 예측 데이터셋을 사용하여 모델을 검증한 결과, 특히 Genetic New Takagi-Sugeno-Kang 및 Random Forest New Takagi-Sugeno-Kang 모델이 기존 머신러닝 및 딥러닝 모델보다 우수한 성능을 보이며, 더 간단하고 해석 가능한 규칙 기반 구조를 제공함을 확인했습니다. 제안된 모델들은 nfisis 라이브러리(https://pypi.org/project/nfisis/)를 통해 공개됩니다.

시사점, 한계점

•
시사점:
◦
딥러닝 모델의 한계를 극복할 수 있는 새로운 퍼지 기반 회귀 모델 제시.
◦
데이터 기반 모델 설계를 통해 사용자가 정확성과 해석성의 균형을 조절 가능.
◦
유전 알고리즘과 ensemble 기법을 활용하여 대용량 데이터셋 효과적으로 처리.
◦
태양광 발전 예측 분야에서 기존 모델 대비 우수한 성능 검증.
◦
개발된 모델들을 공개 라이브러리(nfisis)를 통해 제공.
•
한계점:
◦
제안된 모델의 성능이 특정 데이터셋에 국한될 가능성.
◦
다양한 데이터셋에 대한 추가적인 실험 및 검증 필요.
◦
유전 알고리즘 및 ensemble 기법의 매개변수 최적화에 대한 추가 연구 필요.
👍
Made with Slashpage