Importance of Feature Selection for Recurrent Neural Network Based Forecasting of Building Thermal Comfort

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F14%3A00219453" target="_blank" >RIV/68407700:21230/14:00219453 - isvavai.cz</a>

Výsledek na webu

<a href="http://link.springer.com/chapter/10.1007%2F978-3-319-11298-5_2#page-1" target="_blank" >http://link.springer.com/chapter/10.1007%2F978-3-319-11298-5_2#page-1</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-11298-5_2" target="_blank" >10.1007/978-3-319-11298-5_2</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Importance of Feature Selection for Recurrent Neural Network Based Forecasting of Building Thermal Comfort

Popis výsledku v původním jazyce

The paper demonstrates the importance of feature selection for recurrent neural network applied to problem of one hour ahead forecasting of thermal comfort for office building heated by gas. Although the accuracy of the forecasting is similar for both the feed-forward and the recurrent network, the removal of features leads to accuracy reduction much earlier for the feed-forward network. The recurrent network can perform well even with less than 50% of features. This brings significant benefits in scenarios, where the neural network is used as a blackbox model of thermal comfort, which is called by an optimizer that minimizes the deviance from a target value. The reduction of input dimensionality can lead to reduction of costs related to measurement equipment, data transfer and also computational demands of optimization.

Název v anglickém jazyce

Importance of Feature Selection for Recurrent Neural Network Based Forecasting of Building Thermal Comfort

Popis výsledku anglicky

The paper demonstrates the importance of feature selection for recurrent neural network applied to problem of one hour ahead forecasting of thermal comfort for office building heated by gas. Although the accuracy of the forecasting is similar for both the feed-forward and the recurrent network, the removal of features leads to accuracy reduction much earlier for the feed-forward network. The recurrent network can perform well even with less than 50% of features. This brings significant benefits in scenarios, where the neural network is used as a blackbox model of thermal comfort, which is called by an optimizer that minimizes the deviance from a target value. The reduction of input dimensionality can lead to reduction of costs related to measurement equipment, data transfer and also computational demands of optimization.

Druh

D - Stať ve sborníku

CEP obor

JC - Počítačový hardware a software

OECD FORD obor

—

Projekt

<a href="/cs/project/GP13-21696P" target="_blank" >GP13-21696P: Selekce příznaků pro modely vícedimenzionálních časových řad uvažující časový kontext</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2014

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Adaptive and Intelligent Systems - LNAI 8779

ISBN

978-3-319-11297-8

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

9

Strana od-do

11-19

Název nakladatele

Springer

Místo vydání

Heidelberg

Místo konání akce

Bournemouth

Datum konání akce

8. 9. 2014

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000346932400002