論文の概要: Ensemble Forecasting of Monthly Electricity Demand using Pattern
Similarity-based Methods
- arxiv url: http://arxiv.org/abs/2004.00426v1
- Date: Sun, 29 Mar 2020 17:26:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 13:13:32.691363
- Title: Ensemble Forecasting of Monthly Electricity Demand using Pattern
Similarity-based Methods
- Title(参考訳): パターン類似性に基づく月次電力需要予測
- Authors: Pawe{\l} Pe{\l}ka, Grzegorz Dudek
- Abstract要約: パターン類似性に基づく予測手法(PSFM)を用いた月次電力需要のアンサンブル予測について述べる。
本研究で適用されたPSFMには、$k$-nearest 近傍モデル、ファジィ近傍モデル、カーネル回帰モデル、一般回帰ニューラルネットワークなどがある。
実験的なイラストは、ヨーロッパの35か国における月次電力需要予測と比較するために、アンサンブルモデルと個々のPSFMを適用している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work presents ensemble forecasting of monthly electricity demand using
pattern similarity-based forecasting methods (PSFMs). PSFMs applied in this
study include $k$-nearest neighbor model, fuzzy neighborhood model, kernel
regression model, and general regression neural network. An integral part of
PSFMs is a time series representation using patterns of time series sequences.
Pattern representation ensures the input and output data unification through
filtering a trend and equalizing variance. Two types of ensembles are created:
heterogeneous and homogeneous. The former consists of different type base
models, while the latter consists of a single-type base model. Five strategies
are used for controlling a diversity of members in a homogeneous approach. The
diversity is generated using different subsets of training data, different
subsets of features, randomly disrupted input and output variables, and
randomly disrupted model parameters. An empirical illustration applies the
ensemble models as well as individual PSFMs for comparison to the monthly
electricity demand forecasting for 35 European countries.
- Abstract(参考訳): 本稿では,パターン類似性に基づく予測手法(psfms)を用いた月次電力需要予測手法を提案する。
本研究で適用されるpsfmには,$k$-nearest neighbor model,ファジィ近傍モデル,カーネル回帰モデル,一般回帰ニューラルネットワークが含まれる。
PSFMの不可欠な部分は時系列シーケンスのパターンを用いた時系列表現である。
パターン表現は、トレンドをフィルタリングし、分散を等化することで、入力と出力データの統一を保証する。
2種類のアンサンブルが生成され、不均一と均質である。
前者は異なるタイプベースモデルで構成され、後者は単一のタイプベースモデルで構成されている。
5つの戦略は、均質なアプローチでメンバーの多様性を制御するために使用される。
多様性は、トレーニングデータの異なるサブセット、特徴の異なるサブセット、ランダムに乱れた入出力変数、ランダムに乱れたモデルパラメータを使用して生成される。
実証的な例では、アンサンブルモデルと個々のpsfmを用いて、欧州35カ国の毎月の電力需要予測と比較している。
関連論文リスト
- Finite Mixtures of Multivariate Poisson-Log Normal Factor Analyzers for
Clustering Count Data [0.8499685241219366]
因子分析モデルの混合に基づく8種類の擬似混合モデルについて紹介する。
提案モデルはRNAシークエンシング研究から得られた離散的なデータをクラスタリングする文脈において探索される。
論文 参考訳(メタデータ) (2023-11-13T21:23:15Z) - Improving Out-of-Distribution Robustness of Classifiers via Generative
Interpolation [56.620403243640396]
ディープニューラルネットワークは、独立かつ同一に分散されたデータ(すなわち、d)から学習する上で、優れたパフォーマンスを達成する。
しかし、アウト・オブ・ディストリビューション(OoD)データを扱う場合、その性能は著しく低下する。
多様なOoDサンプルを合成するために,複数のドメインから学習した生成モデルを融合するための生成補間法(Generative Interpolation)を開発した。
論文 参考訳(メタデータ) (2023-07-23T03:53:53Z) - A Class of Dependent Random Distributions Based on Atom Skipping [2.3258287344692676]
我々は,グループ化されたデータに対するベイズ的非パラメトリックモデルであるPlaid Atoms Model (PAM)を提案する。
PAMは、グループ間で重なり合うクラスタと非重なり合うクラスタリングパターンを生成する。
論文 参考訳(メタデータ) (2023-04-28T16:18:43Z) - Learning from aggregated data with a maximum entropy model [73.63512438583375]
我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。
我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
論文 参考訳(メタデータ) (2022-10-05T09:17:27Z) - Sparse Communication via Mixed Distributions [29.170302047339174]
我々は「混合確率変数」の理論基盤を構築する。
本フレームワークは,混合確率変数の表現とサンプリングのための2つの戦略を提案する。
我々は、創発的な通信ベンチマークにおいて、両方のアプローチを実験する。
論文 参考訳(メタデータ) (2021-08-05T14:49:03Z) - Split Modeling for High-Dimensional Logistic Regression [0.2676349883103404]
短時間コンパイルしたアンサンブルロジスティック分類モデルに対して,新しい手法を提案する。
本手法は,予測精度に優れたバイアスオフの活用法を学習する。
提案手法を実装したオープンソースソフトウェアライブラリを議論する。
論文 参考訳(メタデータ) (2021-02-17T05:57:26Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳(メタデータ) (2020-10-27T17:54:12Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳(メタデータ) (2020-10-12T03:27:07Z) - Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
異種データセットから学習した後続分布を融合する手法を提案する。
我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
論文 参考訳(メタデータ) (2020-07-13T03:27:45Z) - Evaluating the Disentanglement of Deep Generative Models through
Manifold Topology [66.06153115971732]
本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。
複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
論文 参考訳(メタデータ) (2020-06-05T20:54:11Z) - Pattern Similarity-based Machine Learning Methods for Mid-term Load
Forecasting: A Comparative Study [0.0]
パターン類似性に基づく年次電力需要予測手法について検討した。
モデルの不可欠な部分は、時系列シーケンスのパターンを用いた時系列表現である。
近接モデル,ファジィ近傍モデル,カーネル回帰モデル,一般回帰ニューラルネットワークの4つのモデルを考える。
論文 参考訳(メタデータ) (2020-03-03T12:14:36Z)
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。