Краткое содержание

arXiv:2511.10680v1 Тип объявления: новый Аннотация: Прогнозирование энергопотребления в режиме реального времени на периферийных устройствах представляет собой серьезную проблему оптимизации интеллектуальных энергосетей и умных зданий. Мы представляем архитектуру LAD-BNet (сеть с двумя ветвями, учитывающую временные задержки), инновационную нейронную сеть, оптимизированную для вывода на периферийных устройствах с использованием Google Coral TPU. Наш гибридный подход объединяет ветвь, предназначенную для явной обработки временных задержек, с временной свёрточной сетью (Temporal Convolutional Network — TCN), использующей разреженные свёртки, что позволяет одновременно захватывать краткосрочные и долгосрочные зависимости. Испытанная на реальных данных потребления энергии с временным разрешением 10 минут, архитектура LAD-BNet достигает средней абсолютной процентной ошибки (MAPE) 14,49 % на горизонте прогноза один час всего лишь за 18 мс времени вывода на Edge TPU, обеспечивая ускорение от 8 до 12 раз по сравнению с центральным процессором (CPU). Многоуровневая структура модели обеспечивает возможность предсказания вплоть до 12 часов с контролируемым ухудшением качества результатов. Наша модель демонстрирует улучшение точности на 2,39 % относительно базовых моделей LSTM и на 3,04 % по сравнению с чисто-свёрточными архитектурами TCN, при этом поддерживая производительность на уровне 180 млн операций.