ハイブリッド深層学習を用いた太陽光発電予測:ランダムフォレストBiLSTMとアンサンブルモデリングによるパフォーマンス向上

Summary

本研究は、包括的なデータ分析と誤り訂正手法を通じて、集中型太陽光発電所の性能を向上させます。スペクトラム解析、熱効率最適化、ハイブリッド機械学習モデルを統合することで、運用効率と信頼性を高めるための実行可能な戦略を提案し、持続可能なエネルギー源としての太陽エネルギーの役割を支えています。

Abstract

正確な太陽光発電予測は、グリッド統合と再生可能エネルギーシステムの運用安定性にとって極めて重要です。本研究は、放射照度データの複雑な時間的依存性を捉えることで太陽生成を予測するハイブリッド深層学習アンサンブル手法を提示します。RF-BiLSTM、CNN-LSTM、CNN-Bilstm、cnn-gru、CNN-トランスフォーマーの5つのハイブリッドアーキテクチャが評価され、それぞれ畳み込み要素や再帰成分を組み合わせて、歴史的な時系列から空間的および連続的特徴を抽出しました。RF-BiLSTMモデルは、R² = 0.6568、MAE = 30,728 W、MSE = 1.81 ×^{10 9} W²で、最高の個別性能を達成しました。逆MAE加重平均法を用いて上位3アーキテクチャを統合したアンサンブルモデルは、R² = 0.6933、MAE = 28,809.89 W、MSE = 1.53 × 10⁹ W²で優れた性能を示し、最良の個別モデルと比較して予測誤差を6.2%削減しました。提案されたアンサンブルフレームワークは、モデルの強みを効果的にバランスさせ、予測の堅牢性を高め、スマートグリッドおよびエネルギー管理システムにおける再生可能エネルギー予測のためのスケーラブルでデータ駆動型のソリューションを提供します。

Introduction

再生可能エネルギーへの世界的な移行が加速する中、太陽光発電は持続可能なエネルギーミックスにおける重要な供給源となっています。各国がエネルギーシステムの脱炭素化にますます取り組む中で、太陽光発電(PV)技術はそのスケーラビリティ、コストの低下、環境へのメリットにより指数関数的な成長を遂げています。しかし、太陽エネルギーが国や地域の電力網に広く統合されることは、その断続的かつ天候依存的な性質から大きな課題をもたらしています。太陽放射量は、雲量、大気条件、季節の変化、昼周期など、さまざまな環境要因によって影響を受けており、これらすべてが太陽光発電に変動性や不確実性をもたらします。この本質的な変動性は、グリッドのバランス調整や電力システム計画の作業を複雑にしています。事業者は、最適な資源配分を確保するために太陽光発電出力を正確に予測し、化石燃料ベースのバックアップシステムへの依存を減らし、インフラの過負荷や過少な活用を防ぎ、全体的な電力網の安定性を維持しなければなりません。太陽エネルギーの普及が進むにつれて、堅牢で信頼性が高く正確な予測モデルの必要性はさらに切実になっています。正確な短期および当日の太陽光予報は、エネルギー市場参加、負荷分配、バッテリースケジューリング、マイクロ^{グリッド管理などの}用途において特に重要です。

気象データに基づく物理モデルや統計時系列技術(例:ARIMA、指数平滑化)などの従来の予測手法は、太陽発生の非線形かつ動的な挙動を捉えきれないことが多いです。これらのモデルは線形仮定、手作業の特徴、詳細な気象シミュレーションに依存しており、^{太陽データの変化}するパターンへの適応性や拡張性が制限されています。これに対し、ディープラーニング(DL)モデルは時系列予測において変革的なアプローチとして登場しています。これらのデータ駆動型手法は、明示的な特徴工学を必要とせず、生の入力データから複雑な特徴量や時間的依存性を自動的に学習できます ^3,4。

最も広く使われているアーキテクチャの一つに、リカレントニューラルネットワーク(RNN)や、長短時記憶(LSTM)やゲーテッドリカレントユニット(GRU)ネットワークなどの改良型があります。これらのモデルは、時^{系列データ2,5,6}における連続的な依存関係や長期的な時間的関係を捉えるよう設計されています。一方、畳み込みニューラルネットワーク(CNN)は空間特徴抽出に強い能力を示し、特にハイブリッド構成^7,8において1次元畳み込みによる時間データ処理に適応されています。CNNやRNNなど異なるアーキテクチャの強みを組み合わせたハイブリッドDLモデルは、時^{系列データから}局所的および長期的な依存関係を抽出できる能力から太陽予測で注目を集めています。

例えば、CNN-LSTMやCNN-BiLSTMモデルは、入力シーケンスを再処理層に入力する前に前処理・フィルタリングするために畳み込み層を適用し、より効率的かつ正確な学習を実現します。^9,10。いくつかの研究で、ハイブリッドアーキテクチャがスタンドアロンモデルよりも優れていることが示されています。SSA-RNN-LSTMハイブリッドモデルを用いた研究では、複数のPV技術において誤差指標が大幅に減少し、代替ハイブリッド手法と比較してRMSEが15〜23%改善^{されたことが示}されました。同様に、CNN-LSTMアーキテクチャは、実際の太陽光発電データに適用した場合、標準的な機械学習手法や単一の深層学習モデルを複数の評価指標で上回る性能を示しています¹⁰。分解ベースのハイブリッド手法の有効性も確立されており、ウェーブレットパケット分解とLSTMネットワークを組み合わせることで、個々のLSTM、RNN、GRU、MLP(小規模化)モデルに対して、1時間先行PV電力予測2において優れた性能を示し^ました。風力発電予測において、畳み込み層とGRUネットワークを組み合わせたハイブリッドモデルは、非常に短期的な予測において顕著な改善を達成しており、複数の場所での検証によりその堅牢性と一般化可能性が確認されました^。さらに、トランスフォーマーのような注意ベースのメカニズムは、時間ステップを超えて関連する入力セグメントに選択的に焦点を当てることでさらなる可能性を提供します。CNN-LSTM-トランスハイブリッドに関する最近の調査は非常に低い誤差率を達成しており、トランスネットワークを太陽光発電予測のハイブリッドモデルに組み込む先駆的な取り組み^{を示しています。}

ハイブリッドモデルの成功は、アーキテクチャの組み合わせを超え、前処理技術や実世界条件に応じた特殊な適応にも及びます。信号分解技術は、PV発電のマルチスケール特性を捉える上で有用であることが証明されており、時間パターンのより良い表現を通じて予測精度の向上に寄与しています^。縮小条件下で稼働する産業用太陽光発電所では、専門的な前処理を取り入れた強化されたLSTMベースのアプローチにより、データの不整合に対処することで大幅な誤差削減が達成されています¹²。入力データ品質の影響も検証され、過去の気象データと予測された気象データを用いた場合の性能の大きな差が明らかになり、革新的な特徴工学技術が不完全な入力条件下での精度損失を軽減するのに役立っています^。機械学習手法はグリッド接続システムでも効果を示しており、正確な予測を通じて従来のスピン予備容量への依存を減らす可能性を示しています¹³。以前の基礎研究では、人工ニューラルネットワークがさまざまな太陽エネルギー用途に有効であることが確立され、ノイズや不完全なデータを扱いながら、訓練後は迅速な予測が可能であることが示されました。^3,4,14。最適な予測地平線と最小入力アプローチの研究は、データ希少領域におけるシステム設計と展開に実践的な指針を提供してきました 15,16,17。メカニズムモデリングとディープラーニングを組み合わせたハイブリッド手法も、複雑な太陽熱発電応用で有望であり、主要な気象要因とその時空間的関係を正確に特定^{しています。}比較研究により、特に双方向LSTMネットワークなどの高度なリカレントアーキテクチャの利点が確立されており、これらは曇り^{天候などの}厳しい環境条件下で卓越した性能を達成しています。

特に加重平均法を用いたアンサンブル学習は、魅力的な解決策を提供します。補完的なモデルの予測を集約することで、アンサンブル手法は一般化誤差を減らし、堅牢性を向上させ、個々のモデルの弱点を緩和できます。本研究では、RF-BiLSTM、CNN-LSTM、CNN-Bilstm、cnn-gru、CNN-トランスフォーマーという5つの高度なハイブリッドDLモデルの太陽光発電予測性能を調査します。各モデルは、決定係数(R²)、平均絶対誤差(MAE)、平均二乗誤差(MSE)などの厳密な指標を用いて評価されます。パフォーマンスベンチマークに基づき、上位3モデルが選ばれ、加重平均法を用いて最適化されたアンサンブルに組み合わされます。目標は、予測精度を高めつつ、一般化と計算実現可能性を維持するDL専用アンサンブルを開発することです。本研究は、グリッド運営者および再生可能エネルギー関係者に対して、実用的で高性能な予測ソリューションを提供することを目指しています。

再生可能エネルギー予測手法の大幅な進歩にもかかわらず、現在の知識体系にはいくつかの重大な制約が依然として存在します。太陽光発電システムは多くの研究の焦点を集めていますが、太陽光発電の集光に特化した予測用途は依然として著しく過小評価されており、熱効率予測や運用最適化に関する課題はほとんど解決されていません^15,16。現在の予測フレームワークは通常、センサー測定が本質的に正確であると仮定し、直接法線放射計測器の体系的な誤差訂正手順の実装を無視しています。これにより、事後分析と前向き予測の両方に信頼性の懸念が生じます.既存の手法は、スペクトル分布が^{システム性能に}与える既知の影響にもかかわらず、異なる大気条件下での太陽放射のスペクトル特性を検証せず、主に時間的予測に集中しています。畳み込みネットワークとリカレントネットワークを組み合わせたハイブリッドアーキテクチャは、太陽光発電や風力用途で効果的であることが証明されていますが、集光型太陽熱システムへの適応は依然としてほとんど未開拓されており、特にランダムフォレスト特徴処理と双方向リカレント層を統合する構成では顕著です ^7,10.発表された研究で時間単位の予測間隔が広く使われていることは、リアルタイムシステム管理に不可欠な迅速な熱応答動態を捉えることができる高い時間分解能の必要性を見落としています(^18,19)。さらに、データ品質の向上や予測モデリングは、測定整正が予測改善にどのように結びつくかを示す統合的な枠組みがない独立した研究領域として存在^します。最後に、訓練時間、推論速度、ハードウェア要件などの計算効率の考慮は、精度指標だけで十分に重視されず、実用的な展開ガイダンス²⁰を制限しています。

本研究は、集光太陽エネルギー特有解析と熱最適化を統合し、厳格なセンサー誤り訂正プロトコルを実装し、スペクトル分布調査を実施し、熱電力予測のためのランダムフォレスト・双方向LSTMアーキテクチャを導入し、時間的粒度を高めるための分分解能予測を実行し、データ整正プロセスと性能を結びつける包括的な手法を確立することでこれらの欠点を解決しますそして、標準化されたグラフィックス処理ハードウェアを用いて、5つのハイブリッドアーキテクチャにわたる体系的な計算ベンチマーキングを提供します。既存の文献で特定された主要な研究ギャップは 表1にまとめられています。

リサーチギャップ	既存の文献	何が足りないのか	本研究は以下の内容に取り組みます
限定的なCSP特有研究	広範なPV予測調査15,16	CSP熱効率データの整流	熱最適化を伴う包括的なCSPデータ解析
センサーの誤り訂正が不十分	研究はデータの精度を前提としています17	DNI機器向けゼロ誤り訂正プロトコル	正確な評価のためのゼロ誤差訂正の実装
DNIスペクトル解析の欠如	時間予測の焦点は18	大気変動下のスペクトル分布	雲や大気の影響を明らかにするスペクトル解析
CSPの限定ハイブリッドモデル	CNN-LSTMはPV10、CNN-GRUは風7	CSPアプリケーション向けRF-BiLSTM	新規RF-BiLSTMがR2 = 0.657を達成する
分単位の分析の欠如	1時間ごとの予測18,19	熱力学における高分解能	リアルタイム最適化のための分単位評価
統合枠組みなし	別々の予測と品質調査20	整流と性能の関連	統合データからパフォーマンスへの改善フレームワーク
不十分な計算解析	精度比較は20件だけです	訓練効率と展開の実現可能性	5モデルにわたるT4 GPUの計算解析

表1:本研究で取り上げられた研究ギャップ。 既存の研究の限界、現行文献に欠けている要素、そしてCSP予測およびデータ品質評価における特定されたギャップを解消するための本研究の具体的な貢献の要約。

Protocol

データセットの収集と記述
本研究で使用されたデータセット(図1)は、太陽光発電予測に不可欠な歴史的記録を含んでいます。このデータセットは、インド・アンドラプラデシュ州アナンタプル近郊にあるMegha Engineering and Infrastructures Limited(MEIL)が運営する50MWの集光型太陽熱発電所の日々の運用データで構成されています。この発電所は、直接法線放射(DNI)を捕捉し、熱伝達流体(HTF)を介して熱を伝達して電力を生成する放物線型トラフ集光型太陽光発電(CSP)技術を用いています。このデータセットは2015年1月1日から2025年10月3日まで収集され、時間情報、太陽放射度測定、発電出力を捉える7つの主要な属性を含んでいます。時間属性には、標準形式のカレンダー日付を提供する「Date」、データ収集年を示す「Year」、月番号を表す「Month」、月曜日を示す「Day」、そして年間を通じて連続した日番号付けシステムを提供し、連続的な時間分析を可能にする「Julian Day」が含まれます。主要な気象入力変数は「DNI SUM」で、kWh/m²で測定されます。これは総直接法線放射量(DNI)、すなわち集熱器表面あたりの累積太陽エネルギーを表し、CSPプラントの熱変換効率に影響を与える重要な要素です。目標変数「実際の発電量」(kWh単位)は、CSP発電所によって生成された電力出力を反映しており、太陽光から熱エネルギー、電気エネルギーへの変換プロセスの結果を反映しています。これらの特性は、熱効率の決定、DNIから電力への変換モデリング、スペクトル解析による大気および雲被覆の影響の特定、センサー校正のためのゼロ誤差訂正プロトコルの実装、リアルタイムの運用計画最適化とCSPプラント全体の効率と信頼性向上のための高度なハイブリッド機械学習予測モデルの開発など、プラント性能の包括的な分析を可能にします。植物の詳細は以下のサイトでご覧いただけます https://solarpaces.nrel.gov/project/megha-solar-plant

図1:データセットの上位5行。 太陽光発電データセットの初期エントリーを示すサンプルデータで、モデルの訓練および評価に使用された入力特徴とターゲット変数を示します。 この図の拡大版はこちらをクリックしてご覧ください。

データ準備
この研究は、2015年1月1日から2025年3月10日までの太陽光発電時系列データを利用しています。初期の学年における潜在的なデータ品質問題を考慮し、より最近のパターンに焦点を当てるため、2017年1月1日以降の記録はフィルタリングされました。予備的な相関分析により、予測価値が無視できるほどのものであったため、時間軸(日付、年、日)は削除されました。失われた値は、時間的連続性を維持しつつ基礎パターンの歪みを最小限に抑えるため、移動平均法を用いて代帰されました。ターゲット変数(実際の発電量(kW/h))を用いて時間的依存関係を捉えるために3つのラグ特徴が作成されました。

データセット分割
バランスの取れた代表的なトレーニング、検証、テストコホートを確立するために、前処理データセットを層別サンプリング法でセグメント化しました。このアプローチにより、データの70%(2091件)がトレーニングに割り当てられ、検証セットとテストセットの両方がそれぞれ15%(セットあたり448件)を占めることが保証されました。

データ正規化
特徴はStandardScalerで標準化され、目標値はMinMaxScalerで神経ネットワークの安定性のために[0,1]の範囲に正規化されました。

モデルトレーニング
太陽光発電予測のために、ランダムフォレスト-BiLSTM、CNN-LSTM、CNN-Bilstm、cnn-gru、CNN-トランスフォーマーの5つのハイブリッドモデルが実装されました。入力データは(サンプル、タイムステップ、特徴)として逐次形式に再構成され、ほとんどのモデルでタイムステップ=1となりましたが、CNN-LSTMは15ステップのスライディングウィンドウを使用しました。トレーニング、検証、テストセットは時間的順序を維持しつつスケーリングされ、データの漏洩を防ぎました。すべてのモデルは32バッチサイズと30エポックで訓練されています。

ランダムフォレスト-BiLSTM(図2):提案されたハイブリッドモデルは、双方向長期短期記憶(BiLSTM)ネットワークとランダムフォレスト(RF)回帰器を組み合わせて予測精度を向上させています。まず、BiLSTMモデルは入力された時系列データに基づいて訓練され、時間パターンを捉え、初期予測を生成します。その後、BiLSTMの残差誤差(実際の値と予測値の差)を計算します。その後、ランダムフォレストモデルが元の入力特徴をもとに学習し、これらの残差を学習・予測します。RFモデルの性能を向上させるために、特徴重要度スコアに基づいて最も重要な6つの特徴が選ばれます。最後に、補正された予測は、BiLSTMの出力にRFで予測された残差を加えることで得られます。このハイブリッドアプローチは、BiLSTMのシーケンスモデリング能力とランダムフォレストのアンサンブル学習力を活用し、より良い一般化と予測性能を実現しています。

をタイムステップtの入力列とします。

BiLSTM予測:

, 

 

 

残差計算: 

ランダムフォレストを用いた残留学習:特徴重要度で選ばれたトップkの特徴量をZ⊂Xとします。

 

最終予想: 

図2:ランダムフォレスト・双方向長短期記憶モデルのアーキテクチャ。 RF-BiLSTMハイブリッドアーキテクチャを示す概説図で、ランダムフォレスト特徴処理と双方向LSTMレイヤーの統合による時間的シーケンス学習の様子を示しています。 この図の拡大版はこちらをクリックしてご覧ください。

CNN-LSTM (図3):CNN-LSTMハイブリッドモデルは、1次元畳み込み層を用いて入力シーケンスを処理し、局所的な空間特徴を抽出し、その後LeakyReLUの活性化、バッチ正規化、最大プーリングを行います。抽出した特徴は3つのLSTM層のスタックを通して時間的依存関係を学び、最初の2つのLSTMの後に正規化のためにレイヤー正規化とドロップアウトが適用されます。最終的なLSTM出力は、活性化とドロップアウトを経て完全に結合した高密度層を通過し、最終的に単一のニューロンを使って出力にマッピングされます。

入力列 とし、ここでTは時間窓、Fは特徴の数です。

CNNの運営: 

最大プーリング: 

LSTMセル: 

 

出力:  

図3:CNN-LSTMモデルのアーキテクチャ。 畳み込みニューラルネットワークと長期短期記憶ハイブリッドモデルの構造的表現。畳み込み特徴抽出と単方向時間序列処理の実証。 この図の拡大版はこちらをクリックしてご覧ください。

CNN-BiLSTM(図4): CNN-BiLSTMハイブリッドモデルは、まず32フィルターを持つ1次元畳み込み層を用いて空間特徴を抽出し、その後バッチ正規化と最大プーリングを用いて次元を低減します。その後、出力は2つの双方向LSTMレイヤーのスタックを通過し、前後方向の長期的な時間的依存関係を捉えます。正則化はドロップアウトとバッチ正規化によって適用されます。128個のニューロンを持つ高密度層は、学習した表現を精緻化し、最終出力層が単一の予測値にマッピングします。

CNNの運営: 

最大プーリング:

双方向LSTM:,  

 

出力:  

図4:CNN-BiLSTMモデルのアーキテクチャ。 畳み込みニューラルネットワーク-双方向長期短期記憶モデルのアーキテクチャ図。畳み込み層と双方向再発処理の組み合わせによる時間依存性のキャプチャ強化。 この図の拡大版はこちらをクリックしてご覧ください。

CNN-GRU (図5):CNN-GRUハイブリッドモデルは、カーネルサイズ1を用いて単一のタイムステップから空間的特徴を抽出するConv1D層から始まります。最大プーリングは空間次元を縮小します。その後、GRU層のスタックが続きます。最初の層は時間的依存関係を捉えるためにシーケンスを返し、2つ目はシーケンスをコンパクトな表現にまとめます。最終的な高密度層が予測値を出力します。過学習を防ぐためにGRU層間でドロップアウト正則化が適用されます。

CNNの運営: 

最大プーリング: 

GRUセル:

出力:

図5:CNN-GRUモデルのアーキテクチャ。 効率的な時間モデリングのためにGRU層と統合された畳み込み前処理を示す畳み込みニューラルネットワーク-ゲートリカレントユニットハイブリッドモデルの概説。 この図の拡大版はこちらをクリックしてご覧ください。

CNNトランスフォーマー (図6)CNNトランスフォーマーモデルは、入力配列から局所的な特徴を抽出するConv1D層から始まり、その後最大プーリング層が続きます。これらの機能は、マルチヘッドの自己注意機構、層正規化、フィードフォワード密集ネットワークからなるトランスフォーマーエンコーダブロックを通過します。その後、最終的な高密度層が予測を出力する前に、グローバル平均プーリングが適用されます。このアーキテクチャは、空間パターン(CNNによる)とグローバル依存関係(トランスフォーマーアテンションによる)の両方を捉えるよう設計されています。

CNNの運営:

マルチヘッドの自己注意:

ここで:Q, K, V = XW^Q,^{XW K},^{XW V} 、d_k はキーの次元です。

フィードフォワードネットワーク:

加算層とノルム層:

出力:

図6:CNNトランスモデルのアーキテクチャ。 畳み込みニューラルネットワーク-トランスフォーマーハイブリッドモデルの構造概要。多頭注意メカニズムを用いた畳み込み特徴抽出による高度な時間パターン認識。 この図の拡大版はこちらをクリックしてご覧ください。

アンサンブルモデルの開発
予測の精度とモデルの堅牢性を高めるために、RF-BiLSTM、CNN-LSTM、CNN-Bilstm、cnn-gru、CNN-Transformerの5つのハイブリッドディープラーニングモデルからの予測を用いた加重平均アンサンブル手法を実装しました。このアンサンブルは、各モデルの予測に最適化された重みを割り当て、R²スコアで測定される優れた個別性能を示すモデルにはより高い重みを与えて構成されました。この重み付け戦略により、より正確なモデルが最終予測により大きく貢献しつつ、すべてのアーキテクチャの補完的な強みを活用できるようにします。アンサンブル出力は標準的な性能指標R²、平均絶対誤差(MAE)、平均二乗誤差(MSE)を用いて評価され、予測精度、一貫性、一般化能力が評価されました。このディープラーニングアンサンブルは、複数の視点から時間的特徴抽出を統合することを目指し、単独のハイブリッドモデルよりも高い精度と堅牢性を実現します。

アンサンブル手法の数学的定式化:

とします

はCNN-RF-BiLSTM、CNN-LSTM、CNN-Bilstm、cnn-gru、CNN-トランスフォーマーに対応する基底モデルの集合を表します。

各基底モデルM_iは次の予測値を生成します:

スタッキングのためのメタ特徴行列は次のように形成されます。

リッジ回帰メタラーナーは最終的な予測値を次のように推定します:

どこ：

――_私は 積み重りを積み重りで学ぶ者です

-- w₀ はバイアス項です

過学習を避けるため、リッジ回帰は以下の正則化損失関数を最小化します。

どこ：

-- y_j = 第j個^サンプル の真のターゲット

-- N = サンプル総数

-- α = 重量縮小を制御する正則化パラメータ

アンサンブル予測は次のように得られます:

ここで、重み w_i はリッジ損失関数を最小化することで自動的に学習されます。

Results

個別モデルのパフォーマンス評価
RF-BiLSTM、CNN-GRU、CNN-Bilstm、cnn-lstm、CNNトランスフォーマーの5つのハイブリッド深層学習(DL)モデルのパフォーマンス評価は、R²(決定係数)、平均絶対誤差(MAE)、平均二乗誤差(MSE)を含む標準回帰指標の包括的なセットを用いて行われ、気象条件や時間的依存性の異なる条件下での太陽光発電の予測能力を厳密に評価しました。

RF-BiLSTMモデルの性能:
評価されたアーキテクチャの中で、RF-BiLSTMモデルは卓越した性能を示し、R²スコア0.6568で個別モデルの中で優れていることを示しました。これは、太陽光発電の分散の約65.68%がモデルで説明できることを示しています。このモデルは30,728ワットという非常に低いMAEと1.81 × 10⁹ W²のMSEを達成し、絶対誤差と二乗誤差の両方を効果的に最小化する能力を示しました。RF-BiLSTMモデルの新規性は、従来の機械学習と太陽光発電予測のための深層学習を独自に橋渡しする...

Discussion

提案された方法論は図12に示される構造化されたワークフローに従っています。最初にデータセットは、データの品質を確保しモデル学習を強化するために、欠損値補帰、正規化、特徴解析を含む包括的な前処理が行われます。^3,6。処理されたデータセットは、トレーニング(70%)、検証(15%)、テスト(15%)に分割され、堅牢なモデル開発とパフォーマンス評価を可能にします^2,9。その後、RF-BiLSTM、CNN-LSTM、CNN-Bilstm、cnn-gru、CNN-Transformerの5つのハイブリッド深層学習モデルが独立に学習・評価され、検証セットを用いて評価されます。個々の性能に基づいて、重み付けされた平均アンサンブルが構築され、R²スコアが高いモデルにより高い重みを割り当てて予測力を強調します。最終的なアンサンブルモデルは、R²、平均絶対誤差(MA...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
BiLSTM	テンソルフロー/ケラス	TensorFlow 2.10.0
CNNレイヤー	テンソルフロー/ケラス	TensorFlow 2.10.0
Google Colab	Google LLC	クラウドプラットフォーム
グル	テンソルフロー/ケラス	TensorFlow 2.10.0
Matplotlib	Matplotlib開発チーム	3.7.1
NumPy	ナムフォーカス	1.25.2
NVIDIA T4 GPU	NVIDIAコーポレーション	テスラ T4
パンダ	ナムフォーカス	2.0.3
DNI測定用のピルヘリオメーター	キップ&ゾーン	第1章からDLまで
パイソン	Pythonソフトウェア財団	3.10.12
ランダムフォレスト	Scikit-learn開発者	1.2.2
Scikit-learn(シキット学習)	Scikit-learn開発者	1.2.2
温度センサー	ヴァイサラ	HMP155
テンソルフロー/ケラス	グーグル	バージョン 2.10.0
トランス	テンソルフロー/ケラス	TensorFlow 2.10.0
気象観測所	デイビス・インストゥルメンツ	ヴァンテージプロ2