論文の概要: Predicting Real-Time Locational Marginal Prices: A GAN-Based Video
Prediction Approach
- arxiv url: http://arxiv.org/abs/2003.09527v1
- Date: Fri, 20 Mar 2020 23:00:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 22:16:44.896703
- Title: Predicting Real-Time Locational Marginal Prices: A GAN-Based Video
Prediction Approach
- Title(参考訳): リアルタイム位置マージン価格予測:ganに基づくビデオ予測手法
- Authors: Zhongxia Zhang, Meng Wu
- Abstract要約: リアルタイム位置情報の限界価格(RTL)を予測するための教師なしデータ駆動手法を提案する。
提案手法は,システム全体の市場データストリームを市場データイメージやビデオのフォーマットに整理する汎用データ構造に基づいて構築される。
- 参考スコア(独自算出の注目度): 2.129799531630147
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose an unsupervised data-driven approach to predict
real-time locational marginal prices (RTLMPs). The proposed approach is built
upon a general data structure for organizing system-wide heterogeneous market
data streams into the format of market data images and videos. Leveraging this
general data structure, the system-wide RTLMP prediction problem is formulated
as a video prediction problem. A video prediction model based on generative
adversarial networks (GAN) is proposed to learn the spatio-temporal
correlations among historical RTLMPs and predict system-wide RTLMPs for the
next hour. An autoregressive moving average (ARMA) calibration method is
adopted to improve the prediction accuracy. The proposed RTLMP prediction
method takes public market data as inputs, without requiring any confidential
information on system topology, model parameters, or market operating details.
Case studies using public market data from ISO New England (ISO-NE) and
Southwest Power Pool (SPP) demonstrate that the proposed method is able to
learn spatio-temporal correlations among RTLMPs and perform accurate RTLMP
prediction.
- Abstract(参考訳): 本稿では,rtlmps(real-time locational marginal prices)予測のための教師なしデータ駆動手法を提案する。
提案手法は,システム全体にわたるヘテロジニアスな市場データストリームを市場データ画像やビデオのフォーマットに整理する汎用データ構造に基づいて構築される。
この一般的なデータ構造を利用して、システム全体のRTLMP予測問題をビデオ予測問題として定式化する。
生成逆数ネットワーク(GAN)に基づく映像予測モデルを提案し, 過去のRTLMP間の時空間相関を学習し, 今後1時間にわたってシステム全体のRTLMPを予測する。
予測精度を向上させるために自己回帰移動平均(ARMA)キャリブレーション法を採用する。
提案手法は,システムトポロジやモデルパラメータ,マーケット操作の詳細などの機密情報を必要とせずに,公開市場データを入力として利用する。
ISO New England (ISO-NE) とSouthwest Power Pool (SPP) の公開市場データを用いたケーススタディにより,提案手法はRTLMP間の時空間相関を学習し,正確なRTLMP予測を行うことができることを示した。
関連論文リスト
- Editable Fairness: Fine-Grained Bias Mitigation in Language Models [52.66450426729818]
個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。
FASTは最先端のベースラインを超え、デバイアス性能が優れている。
これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
論文 参考訳(メタデータ) (2024-08-07T17:14:58Z) - F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳(メタデータ) (2024-06-23T21:28:50Z) - Robust Conformal Prediction Using Privileged Information [17.886554223172517]
本研究では,トレーニングデータの破損に対して堅牢な,保証されたカバレッジ率で予測セットを生成する手法を開発した。
我々のアプローチは、i.d仮定の下で有効となる予測セットを構築するための強力なフレームワークである共形予測に基づいている。
論文 参考訳(メタデータ) (2024-06-08T08:56:47Z) - Stratified Prediction-Powered Inference for Hybrid Language Model Evaluation [62.2436697657307]
予測駆動推論(英: Prediction-powered Inference, PPI)は、人間ラベル付き限られたデータに基づいて統計的推定を改善する手法である。
我々はStratPPI(Stratified Prediction-Powered Inference)という手法を提案する。
単純なデータ階層化戦略を用いることで,基礎的なPPI推定精度を大幅に向上できることを示す。
論文 参考訳(メタデータ) (2024-06-06T17:37:39Z) - Posterior Uncertainty Quantification in Neural Networks using Data Augmentation [3.9860047080844807]
深層アンサンブルは,既存の観測結果にのみ,将来のデータがサポートされることを前提として,基本的に不特定モデルクラスであることを示す。
一般的なデータ拡張手法を用いて,より現実的な予測分布を構築する手法であるMixupMPを提案する。
実験により,MixupMPは様々な画像分類データセットにおいて,優れた予測性能と不確かさの定量化を実現することが示された。
論文 参考訳(メタデータ) (2024-03-18T17:46:07Z) - Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes:
Functional and Augmented Data Structures in Financial Forecasting [0.0]
本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。
GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。
これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
論文 参考訳(メタデータ) (2024-02-23T06:09:45Z) - Conservative Predictions on Noisy Financial Data [6.300716661852326]
金融市場の価格変動は、非常に騒々しいことがよく知られている。
従来のルール学習技術は、高精度なルールのみを求め、先行者が適用されない予測を控えるものだった。
我々は、モデルが不確実であるデータポイントの予測を控える、同様のアプローチを適用する。
論文 参考訳(メタデータ) (2023-10-18T09:14:19Z) - CovarianceNet: Conditional Generative Model for Correct Covariance
Prediction in Human Motion Prediction [71.31516599226606]
本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。
我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
論文 参考訳(メタデータ) (2021-09-07T09:38:24Z) - Incorporating Causal Graphical Prior Knowledge into Predictive Modeling
via Simple Data Augmentation [92.96204497841032]
因果グラフ(CG)は、データ分散の背後にあるデータ生成プロセスの知識のコンパクトな表現である。
本研究では,条件付き独立性(CI)関係の事前知識を活用可能なモデルに依存しないデータ拡張手法を提案する。
本手法は,小データシステムにおける予測精度の向上に有効であることを実験的に示した。
論文 参考訳(メタデータ) (2021-02-27T06:13:59Z) - Real-time Locational Marginal Price Forecasting Using Generative
Adversarial Network [2.129799531630147]
そこで本稿では,電力市場におけるリアルタイム位置情報境界価格(RTLMP)の予測のためのモデルフリーな教師なし学習手法を提案する。
提案手法は,利用可能な歴史的価格データのみを用いて,システム全体のRTLMPを予測する。
論文 参考訳(メタデータ) (2020-11-09T19:46:03Z) - Privacy-preserving Traffic Flow Prediction: A Federated Learning
Approach [61.64006416975458]
本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。
FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。
FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
論文 参考訳(メタデータ) (2020-03-19T13:07:49Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。