Adaptive Online Learning with LSTM Networks for Energy Price Prediction
यह शोध पत्र कैलिफोर्निया ऊर्जा बाजार में एक दिन-अग्रिम (day-ahead) बिजली मूल्य पूर्वानुमान की सटीकता में महत्वपूर्ण सुधार करने के लिए एक नवीन कस्टम लॉस फंक्शन और व्यापक फीचर एकीकरण के साथ एलएसटीएम (LSTM) नेटवर्क का उपयोग करते हुए एक अनुकूलन योग्य ऑनलाइन लर्निंग फ्रेमवर्क प्रस्तुत करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक ऐसे कॉन्सर्ट के टिकट की कीमत का अनुमान लगाने की कोशिश कर रहे हैं जो हर एक दिन होता है, लेकिन टिकट की कीमत हर घंटे बदलती रहती है—इस आधार पर कि कितने लोग जाना चाहते हैं, मौसम कितना गर्म है, और बैंड के साउंड सिस्टम को कितनी बिजली की आवश्यकता है। यह बिजली बाजारों की अराजक दुनिया है। ब्रेड का एक लोफ खरीदने के विपरीत, जहाँ कीमत आमतौर पर एक समान रहती है, बिजली की कीमतें बहुत अनिश्चित होती हैं, जो रोलरकोस्टर की तरह ऊपर-नीचे होती रहती हैं क्योंकि सूरज चमकना बंद कर सकता है (जिससे सौर ऊर्जा खत्म हो जाती है) या लू के कारण हर कोई एक साथ अपना एसी (AC) चला सकता है। लाइट चालू रखने और बिलों को उचित बनाए रखने के लिए, ग्रिड ऑपरेटरों और बिजली कंपनियों को अगले दिन के लिए, हर घंटे के हिसाब से, इन कीमतों का पूर्वानुमान लगाने की आवश्यकता होती है। वे "मशीन लर्निंग" का उपयोग करते हैं, जो मूल रूप रूप से एक कंप्यूटर को पुराने डेटा के पहाड़ में पैटर्न खोजने के लिए सिखाना है, ठीक वैसे ही जैसे एक जासूस नए मामले को सुलझाने के लिए पुराने अपराध स्थलों का अध्ययन करता है। लक्ष्य एक ऐसा 'क्रिस्टल बॉल' (भविष्य बताने वाला यंत्र) बनाना है जो न केवल औसत कीमत का अनुमान लगाए, बल्कि होने से पहले ही उन पागलपन भरे उछालों और गिरावटों को भी समझ सके।
यह शोध पत्र कैलिफोर्निया में बिजली की कीमतों के लिए एक सुपर-स्मार्ट क्रिस्टल बॉल बनाने के बारे में है, जिसमें "एलएसटीएम" (LSTM - लॉन्ग शॉर्ट-टर्म मेमोरी) नामक आर्टिफिशियल इंटेलिजेंस के एक प्रकार का उपयोग किया गया है। एलएसटीएम को एक ऐसे छात्र के रूप में सोचें जिसकी याददाश्त अविश्वसनीय है और जो पिछले सप्ताह, पिछले महीने और यहाँ तक कि पिछले वर्ष की घटनाओं को याद रख सकता है, और उनका उपयोग यह समझने के लिए कर सकता है कि अभी क्या हो रहा है। शोधकर्ता, सालिह सालिहोग्लू और उनकी टीम ने केवल इस छात्र को अतीत का अध्ययन करने के लिए नहीं छोड़ा; उन्होंने इसे सीखने के लिए नियमों का एक विशेष सेट दिया। सबसे पहले, उन्होंने इसे न केवल पिछली कीमतों को देखना सिखाया, बल्कि मौसम और उस दिन वास्तव में कौन से पावर प्लांट (सौर, पवन, गैस, परमाणु) चल रहे थे, यह भी देखना सिखाया। दूसरा, उन्होंने एक नया "होमवर्क ग्रेडिंग सिस्टम" (एक कस्टम लॉस फंक्शन) बनाया जो केवल यह नहीं देखता था कि संख्याएँ कितनी करीब हैं, बल्कि यह भी देखता था कि क्या कीमत का वक्र (कर्व) का आकार वास्तविक और सुचारू दिखता है, न कि टेढ़ा-मेढ़ा और अजीब। अंत में, छात्र को एक बार टेस्ट देने और फिर कभी न पढ़ने देने के बजाय, उन्होंने एक ऐसी प्रणाली स्थापित की जहाँ छात्र को दैनिक क्विज़ (प्रश्नोत्तरी) दी जाती है। यदि छात्र नए दिन के डेटा के अध्ययन के बाद क्विज़ में बेहतर प्रदर्शन करता है, तो उसे अपने नोट्स अपडेट करने की अनुमति मिलती है; यदि वह खराब प्रदर्शन करता है, तो वह अपने पुराने नोट्स पर ही टिका रहता है।
टीम ने पाया कि यह "एडेप्टिव ऑनलाइन लर्निंग" (अनुकूलनशील ऑनलाइन शिक्षण) दृष्टिकोण विजेता था। उनका मॉडल, जो हर दिन सावधानीपूर्वक खुद को अपडेट करता है, उन मॉडलों की तुलना में काफी बेहतर था जो स्थिर रहते हैं (स्टैटिक मॉडल) या वे मॉडल जो हर दिन शुरू से पूरी तरह से पुन: प्रशिक्षित होते हैं (डायनेमिक मॉडल)। विशेष रूप से, उनके स्मार्ट, अपडेट होने वाले मॉडल ने स्टेटिक मॉडल की तुलना में अपनी भविष्यवाणियों में औसत त्रुटि को लगभग 23% कम कर दिया। उन्होंने यह भी खोजा कि मॉडल को सक्रिय ऊर्जा स्रोतों (जेनरेशन मिक्स) की एक सूची देना एक गेम-चेंजर साबित हुआ; इस जानकारी के बिना, मॉडल बहुत अधिक भ्रमित था। इसके अलावा, उनका विशेष ग्रेडिंग सिस्टम, जिसमें टेढ़े-मेढ़े, अवास्तविक मूल्य उछालों के लिए दंड शामिल था, ने मॉडल को कठिन पीक घंटों की अधिक सटीक भविष्यवाणी करने में मदद की। संक्षेप में, यह शोध पत्र सुझाव देता है कि इन जंगली बिजली की कीमतों की भविष्यवाणी करने का सबसे अच्छा तरीका एक बार में एक आदर्श मॉडल बनाना और उसे भूल जाना नहीं है, बल्कि एक लचीला मॉडल बनाना है जो हर दिन थोड़ा सीखता है, अपने काम की जाँच करता है, और केवल तभी अपना विचार बदलता है जब उसे यकीन हो कि वह अधिक समझदार हो रहा है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।