研究者らは、再生可能エネルギーの予測パイプラインにおける自動かつ効率的な特徴量選択のための、新規なクラスタリングベースのラッパー手法であるCluster-based Sequential Feature Selection (CSFS)を提案する。このアプローチは、利用可能な監視および環境変数が多数ある中から入力特徴量を選択するための体系的な方法の欠如に対処する。

  • CSFSはモデル非依存であり、風力タービン電力曲線モデリングおよび太陽光発電の予測における信頼性の向上を目的としている。
  • 再現性と再利用をサポートするために、GitHub上でオープンソース実装が提供されている。
  • 経験的評価では、CSFSをラッパーベースの逐次特徴量選択（SFS）、フィルタベース手法、およびRandom Forestの埋め込み型特徴重要度と比較する。
  • ラッパーベースの手法は、他の技術と比較して一般的により優れた特徴量の選択結果をもたらす。
  • CSFSはSFSと同等の予測性能を達成しつつ、計算コストを平均21%削減する。

本研究は、ラッパーベースの手法が優れた特徴量選択性能を提供することを強調しており、CSFSは精度を犠牲にすることなく既存の逐次アプローチよりも効率的な代替手段を提供している。