TL;DR
- چکیده:.
- پیشبینی دقیق و بهروز ردپای کربن شبکه برق برای حسابداری اثر کربن محصول (PCF) و تصمیمگیریهای آگاهانه کربنزدایی.
- بسیار مهم است.
چه اتفاقی افتاد
چکیده:. پیشبینی دقیق و بهروز ردپای کربن شبکه برق برای حسابداری اثر کربن محصول (PCF) و تصمیمگیریهای آگاهانه کربنزدایی.
بسیار مهم است. با این حال،.
شدت کربن شبکه غیرایستایی بالایی را نشان میدهد،. و روشهای موجود اغلب برای استفاده مؤثر از الگوهای تناوبی و نوسانی تلاش میکنند.
علاوه بر این،. این روشها در صورت مواجهه با ورودیهای برونزای نامنظم،.
مانند دادههای از دست رفته یا ناهماهنگی،. عملکرد ضعیفی دارند.
برای مقابله با این چالشها،. ما FTimeXer را پیشنهاد میکنیم،.
یک ترانسفورماتور سری زمانی آگاه از فرکانس که با یک طرح آموزشی قوی طراحی شده است که عوامل. برون زا را در خود جای میدهد.
FTimeXer دارای یک شاخه فرکانس مبتنی بر تبدیل فوریه سریع (FFT) است که با همجوشی فرکانس زمانی دروازهای. ترکیب شده است که به آن امکان میدهد تناوب چند مقیاسی را بهطور موثر ثبت کند.
همچنین از استوکاستیک استفاده میکند پوشاندن اگزوژن در ارتباط با منظمسازی قوام،. که به کاهش همبستگیهای کاذب و افزایش پایداری کمک میکند.
آزمایشهای انجامشده بر روی سه مجموعه دادههای دنیای واقعی،. پیشرفتهای ثابتی را نسبت به خطوط پایه قوی نشان میدهند.
در نتیجه،. این پیشرفتها منجر به پیشبینیهای قابل اعتمادتری از فاکتورهای کربن شبکه میشود که برای حسابداری مؤثر PCF و.
تصمیمگیری آگاهانه در مورد کربنزدایی ضروری هستند. پذیرفته شده توسط پنجمین کنفرانس بین المللی فناوری الکترونیک و هوش مصنوعی (ETAI 2026) یادگیری ماشینی (cs.
LG) استناد بهعنوان: (یا v1 [cs. LG] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite تاریخچه ارسال از:. Hui Ma [مشاهده ایمیل] [v1] دوشنبه،.
16 فوریه 2026،. 04:.
19:. 56 UTC (2,.
397 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.