論文の概要: Probabilistic multivariate electricity price forecasting using implicit generative ensemble post-processing

• arxiv url: http://arxiv.org/abs/2005.13417v1
• Date: Wed, 27 May 2020 15:22:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 09:42:49.384827
• Title: Probabilistic multivariate electricity price forecasting using implicit generative ensemble post-processing
• Title（参考訳）: 暗黙的生成アンサンブル後処理による確率的多変量電力価格予測
• Authors: Tim Janke and Florian Steinke
• Abstract要約: 我々は、多変量電力価格シナリオを生成するために、点予測モデルのアンサンブルに基づく、可能性のない暗黙的生成モデルを使用する。 我々のアンサンブル後処理法は、確立されたモデル組合せベンチマークより優れている。 我々の手法はドメイン固有のエキスパートモデルの集合の上で機能するため、他の予測タスクに容易にデプロイできる。
• 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: The reliable estimation of forecast uncertainties is crucial for risk-sensitive optimal decision making. In this paper, we propose implicit generative ensemble post-processing, a novel framework for multivariate probabilistic electricity price forecasting. We use a likelihood-free implicit generative model based on an ensemble of point forecasting models to generate multivariate electricity price scenarios with a coherent dependency structure as a representation of the joint predictive distribution. Our ensemble post-processing method outperforms well-established model combination benchmarks. This is demonstrated on a data set from the German day-ahead market. As our method works on top of an ensemble of domain-specific expert models, it can readily be deployed to other forecasting tasks.
• Abstract（参考訳）: 予測の不確実性の信頼性はリスクに敏感な最適意思決定に不可欠である。 本稿では,多変量確率的電力価格予測の新しいフレームワークである暗黙的な生成後処理を提案する。 点予測モデルのアンサンブルに基づく確率自由暗黙的生成モデルを用いて,コヒーレントな依存性構造を持つ多変量電力価格シナリオを合同予測分布の表現として生成する。 提案手法は,確立されたモデル組合せベンチマークを上回っている。 これはドイツのday-ahead marketのデータセットで示されている。 我々の手法はドメイン固有のエキスパートモデルの集合の上で機能するため、他の予測タスクに容易にデプロイできる。

関連論文リスト

• Postprocessing of point predictions for probabilistic forecasting of electricity prices: Diversity matters [0.0]
  本稿では,3つのポストプロセッシング手法を用いて,点予測を確率的に変換する手法について検討する。 その結果,予測分布と他の2つの手法を組み合わせることで,約7.5%の改善が得られた。 注目すべきは、この組み合わせのパフォーマンスが、最先端の分散ディープニューラルネットワークと同等であることだ。
  論文  参考訳（メタデータ） (2024-04-02T19:50:36Z)
• 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)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• Ensemble weather forecast post-processing with a flexible probabilistic neural network approach [0.0]
  そこで我々は,すべての位置の予測とリードタイムを共同で生成する,ニューラルネットワークに基づく新しい手法を提案する。 本手法の有効性を,EUPPBenchベンチマークの文脈で示す。
  論文  参考訳（メタデータ） (2023-03-29T15:18:00Z)
• Bayesian Sparse Regression for Mixed Multi-Responses with Application to Runtime Metrics Prediction in Fog Manufacturing [6.288767115532775]
  フォッグ製造は、分散計算Fogユニットを通じて従来の製造システムを大幅に強化することができる。 予測オフロード手法は,実行時のパフォーマンス指標の正確な予測と不確かさの定量化に大きく依存していることが知られている。 本稿では,多変量混合応答に対するベイジアンスパース回帰法を提案し,実行時性能指標の予測を強化する。
  論文  参考訳（メタデータ） (2022-10-10T16:14:08Z)
• 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)
• Aggregating distribution forecasts from deep ensembles [0.0]
  本稿では,ニューラルネットワークによる分布予測の集約手法について考察する。 予測分布の組み合わせは予測性能を大幅に改善できることを示す。 予測密度の線形結合よりも優れた性能を示すディープアンサンブルのための一般量子集約フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-05T15:42:51Z)
• 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)
• 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)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Adversarial Attacks on Probabilistic Autoregressive Forecasting Models [7.305979446312823]
  我々は、単一値の列ではなく確率分布の列を出力するニューラルネットワークに対する効果的な逆攻撃を生成する。 提案手法は,2つの課題において,入力摂動の少ない攻撃を効果的に生成できることを実証する。
  論文  参考訳（メタデータ） (2020-03-08T13:08:34Z)

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。