論文の概要: Probabilistic Multi-Step-Ahead Short-Term Water Demand Forecasting with
Lasso
- arxiv url: http://arxiv.org/abs/2005.04522v1
- Date: Sat, 9 May 2020 22:26:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 07:10:16.641418
- Title: Probabilistic Multi-Step-Ahead Short-Term Water Demand Forecasting with
Lasso
- Title（参考訳）: ラッソを用いた確率的マルチステップ短期水需要予測
- Authors: Jens Kley-Holsteg and Florian Ziel
- Abstract要約: 時系列モデルは、典型的な自己回帰、カレンダー、季節効果を捉えるために導入された。
高次元特徴空間が適用され、自動収縮・選択演算子によって効率よく調整される。
この手法は、ドイツの水道供給業者の時給水需要データに適用される。
- 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: Water demand is a highly important variable for operational control and
decision making. Hence, the development of accurate forecasts is a valuable
field of research to further improve the efficiency of water utilities.
Focusing on probabilistic multi-step-ahead forecasting, a time series model is
introduced, to capture typical autoregressive, calendar and seasonal effects,
to account for time-varying variance, and to quantify the uncertainty and
path-dependency of the water demand process. To deal with the high complexity
of the water demand process a high-dimensional feature space is applied, which
is efficiently tuned by an automatic shrinkage and selection operator (lasso).
It allows to obtain an accurate, simple interpretable and fast computable
forecasting model, which is well suited for real-time applications. The
complete probabilistic forecasting framework allows not only for simulating the
mean and the marginal properties, but also the correlation structure between
hours within the forecasting horizon. For practitioners, complete probabilistic
multi-step-ahead forecasts are of considerable relevance as they provide
additional information about the expected aggregated or cumulative water
demand, so that a statement can be made about the probability with which a
water storage capacity can guarantee the supply over a certain period of time.
This information allows to better control storage capacities and to better
ensure the smooth operation of pumps. To appropriately evaluate the forecasting
performance of the considered models, the energy score (ES) as a strictly
proper multidimensional evaluation criterion, is introduced. The methodology is
applied to the hourly water demand data of a German water supplier.
- Abstract（参考訳）: 水需要は、運用管理と意思決定において非常に重要な変数である。
したがって、正確な予測の開発は、水道事業の効率をさらに向上させる貴重な研究分野である。
確率的多段階予測に着目し, 時系列モデルを導入し, 典型的な自己回帰, カレンダー, 季節的効果を捉え, 時間的変動を考慮し, 水需要プロセスの不確実性と経路依存性を定量化する。
自動収縮選択演算子(lasso)により効率的に調整される高次元特徴空間を適用することで、水需要プロセスの高複雑性に対処する。
リアルタイムアプリケーションに適した正確で単純な解釈可能で高速な計算可能な予測モデルを得ることができる。
完全な確率予測フレームワークは、平均と限界特性をシミュレートするだけでなく、予測地平線内の時間間の相関構造も可能にする。
総合的あるいは累積的な水需要に関する追加情報を提供することで、水貯蔵容量が一定期間にわたって供給を保証できる確率について声明を出すことができるので、実践者にとって、完全な確率的多段予測は相当な妥当性を持つ。
この情報により、ストレージ容量をよりよく制御でき、ポンプのスムーズな動作を確実にできる。
検討したモデルの予測性能を適切に評価するために、厳密に適切な多次元評価基準としてのエネルギースコア(es)を導入する。
この手法はドイツの給水業者の時間給水需要データに適用される。
関連論文リスト
- Uncertainty-aware segmentation for rainfall prediction post processing [0.7646713951724011]
日次累積降水量の予測を後処理するための不確実性を考慮した深層学習モデルについて検討する。
本研究では,様々な最先端モデルを比較し,よく知られたSDE-Netの変種を提案する。
その結果,すべてのディープラーニングモデルは,平均的ベースラインNWPソリューションよりも有意に優れていた。
論文 参考訳（メタデータ） (2024-08-28T16:31:40Z) - AI-Powered Predictions for Electricity Load in Prosumer Communities [0.0]
本稿では,人工知能を用いた短期負荷予測手法を提案する。
その結果、(負荷予測タスクに適応した)持続的項と回帰的項の組み合わせは、最高の予測精度が得られることがわかった。
論文 参考訳（メタデータ） (2024-02-21T12:23:09Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳（メタデータ） (2023-10-17T20:30:16Z) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-02T17:13:16Z) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳（メタデータ） (2023-09-12T13:28:06Z) - Scenario-based model predictive control of water reservoir systems [2.3388338598125196]
最適な水の放出は通常、インフローの(予測された)軌道に基づいて計算される。
本研究では, 貯水池に対するMPCアプローチを初めて検討し, 将来的な流れの集合に基づいて制御を最適化する。
この手法の有効性は、イタリアのコモ湖からの実際の流入データを用いて、モンテカルロの広範な試験によって検証される。
論文 参考訳（メタデータ） (2023-09-01T10:11:49Z) - Probabilistic load forecasting with Reservoir Computing [10.214379018902914]
本研究は,コア時系列予測手法としての貯水池計算に焦点を当てた。
RC文献は主に点予測に重点を置いているが、この研究は一般的な不確実性定量法と貯水池の設定との整合性を探究するものである。
論文 参考訳（メタデータ） (2023-08-24T15:07:08Z) - Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。
近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。
洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
論文 参考訳（メタデータ） (2023-07-29T22:49:50Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳（メタデータ） (2022-06-16T06:13:53Z) - Conditional Approximate Normalizing Flows for Joint Multi-Step
Probabilistic Electricity Demand Forecasting [32.907448044102864]
本研究では,条件付き近似正規化流(CANF)を導入し,長い時間的地平線上で相関が存在する場合の確率的多段階時系列予測を行う。
実験の結果, 条件付き近似正規化フローは, 多段階予測精度で他の手法よりも優れており, 最大10倍のスケジューリング決定が導かれることがわかった。
論文 参考訳（メタデータ） (2022-01-08T03:42:12Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z)
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。