Con el rápido desarrollo del IoT, se han expuesto las desventajas del marco de la Nube, como la alta latencia, la congestión de red y la baja confiabilidad. Por lo tanto, ha surgido el marco de la Computación en la Niebla, con una Capa de Niebla extendida entre la Nube y los terminales. Para abordar la predicción en tiempo real de la demanda de electricidad, proponemos un enfoque basado en XGBoost y ARMA en un entorno de Computación en la Niebla. Aprovechando las ventajas del marco de la Computación en la Niebla, primero proponemos un algoritmo de clustering basado en prototipos para dividir a los usuarios empresariales en varias categorías según su consumo total de electricidad; luego proponemos un enfoque de selección de modelo analizando los registros históricos de consumo de electricidad de los usuarios e identificando las características más importantes. En general, si los registros históricos pasan la prueba de estacionariedad y ruido blanco, se utiliza ARMA para modelar el consumo de electricidad de los
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículos:
Aprendizaje supervisado en línea con características distribuidas sobre un sistema multiagente.
Artículos:
Detección de credibilidad basada en contexto de área para Big Data en IoT
Artículos:
Estudio de la vida útil del policarbonato en exteriores utilizando Python con datos incompletos
Artículos:
Auditoría de integridad de datos compartidos en la nube con seguimiento de identidades
Artículos:
Esquemas de cálculo para la evaluación de polinomios y la multiplicación de matrices y vectores que preservan la confidencialidad y son públicamente verificables
Artículos:
Compuestos bioactivos de microalgas rojas con valor terapéutico y nutricional
Artículos:
Enfoque de aplicación ágil con Scrum, Lean y Kanban
Artículos:
Arquitectura de software orientada a la creación de micromundos para la enseñanza y el aprendizaje
Artículos:
Perspectivas sobre datos masivos y analítica de datos masivos