Enhancing energy consumption prediction in smart homes: a convergence-aware federated transfer learning approach | Science and Technology for Energy Transition (STET)

Emerging Advances in Hybrid Renewable Energy Systems and Integration

Open Access

Table 5

Comparison of proposed FedDNN and FedLSTM models with existing models in terms of R2 score.

Algorithm	C1	C2	C3	C4	C5	C6	C7	C8	Average
LinearRegression	0.17	0.23	0.155	0.05	0.19	0.14	0.087	0.20	0.15
LGBMRegressor	80.04	84.76	85.05	87.93	89.19	86.05	81.72	85.04	84.97
XGBRegressor	80.11	84.80	85.09	88.00	89.25	86.10	81.77	85.10	85.03
CatBoostRegressor	80.08	84.78	85.07	87.96	89.23	86.08	81.75	85.08	85.00
SGDRegressor	0.16	0.22	0.15	0.03	0.18	0.14	0.07	0.20	0.14
KernelRidge	−6.42	−5.06	−5.49	−7.04	−5.87	−5.98	−6.91	−6.36	−6.14
BayesianRidge	0.17	0.23	0.15	0.04	0.19	0.14	0.08	0.20	0.15
GradientBoostingRegressor	74.22	80.97	79.98	83.18	84.34	80.52	76.50	79.38	79.89
SVR	0.94	0.49	0.16	0.61	0.79	0.44	0.45	1.01	0.61

DNN	82.02	83.00	84.25	88.27	88.68	85.08	82.02	85.04	84.80
FedDNN-full	82.99	86.41	86.39	89.98	89.25	85.43	83.47	86.86	86.35
FedDNN-par	83.93	89.42	86.39	91.87	92.93	85.65	84.24	88.34	87.85

LSTM	76.34	85.23	84.91	88.57	88.94	87.87	83.03	86.13	85.13
FedLSTM-full	79.04	86.95	84.55	90.25	87.83	88.38	84.11	86.69	85.98
FedLSTM-par	84.33	89.31	87.27	90.46	92.06	90.18	85.73	90.13	88.68

Les statistiques affichées correspondent au cumul d'une part des vues des résumés de l'article et d'autre part des vues et téléchargements de l'article plein-texte (PDF, Full-HTML, ePub... selon les formats disponibles) sur la platefome Vision4Press.

Les statistiques sont disponibles avec un délai de 48 à 96 heures et sont mises à jour quotidiennement en semaine.

Le chargement des statistiques peut être long.