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:
Mecanismo de Protección en el Enfoque de Evaluación de Confiabilidad para un Sistema Multiestado con Falla de Causa Común
Artículos:
Medición de la seguridad en IIoT con perspectiva de computación en la nube: Taxonomía, problemas y futuras direcciones.
Artículos:
Diseño de controlador basado en disipatividad para sistemas de parámetros distribuidos conmutados difusos T-S con retraso en el tiempo.
Artículos:
Control de Seguimiento Adaptativo Robusto de una Clase de Robots Manipuladores con Incertidumbres de Modelo
Artículos:
Maximización de la tasa de suma de comunicaciones D2D en red de radio cognitiva mediante estrategia de engaño
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