論文の概要: Transfer Learning for Electricity Price Forecasting

• arxiv url: http://arxiv.org/abs/2007.03762v3
• Date: Mon, 18 Apr 2022 14:00:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 08:02:29.039425
• Title: Transfer Learning for Electricity Price Forecasting
• Title（参考訳）: 電力価格予測のための転送学習
• Authors: Salih Gunduz, Umut Ugurlu, and Ilkay Oksuz
• Abstract要約: 本稿では,他の電力価格市場からの情報を予測に活用する手段として,トランスファーラーニング(Transfer Learning)を提案する。 5つの異なる日頭市場における実験から,移動学習は電力価格予測の性能を統計的に有意な方法で向上させることが示された。
• 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: Electricity price forecasting is an essential task for all the deregulated markets of the world. The accurate prediction of the day-ahead electricity prices is an active research field and available data from various markets can be used as an input for forecasting. A collection of models have been proposed for this task, but the fundamental question on how to use the available big data is often neglected. In this paper, we propose to use transfer learning as a tool for utilizing information from other electricity price markets for forecasting. We pre-train a bidirectional Gated Recurrent Units (BGRU) network on source markets and finally do a fine-tuning for the target market. Moreover, we test different ways to use the input data from various markets in the models. Our experiments on five different day-ahead markets indicate that transfer learning improves the performance of electricity price forecasting in a statistically significant manner.
• Abstract（参考訳）: 電力価格予測は世界の全ての市場にとって必須の課題である。 日頭電力価格の正確な予測は活発な研究分野であり、様々な市場の利用可能なデータが予測のインプットとして利用できる。 このタスクのためにモデルのコレクションが提案されているが、利用可能なビッグデータの使い方に関する根本的な問題は無視されることが多い。 本稿では,他の電力価格市場からの情報を利用して予測を行うツールとして伝達学習を提案する。 我々は、ソース市場で双方向Gated Recurrent Units (BGRU) ネットワークを事前訓練し、最終的にターゲット市場に向けて微調整を行う。 さらに,モデル内の様々な市場から入力データを利用する方法もテストした。 5つの異なる日頭市場における実験から,移動学習は電力価格予測の性能を統計的に有意に向上させることが示された。

関連論文リスト

• Forecasting Day-Ahead Electricity Prices in the Integrated Single Electricity Market: Addressing Volatility with Comparative Machine Learning Methods [0.552480439325792]
  本稿では,アイルランド総合電力市場を中心に,電力価格予測手法の総合的な検討を行う。 本研究の主な目的は,様々な予測モデルの性能を評価し,比較することである。 この論文は、毎日のEU天然ガス価格が、ヘンリー・ハブ天然ガス価格よりもアイルランドの電力価格予測に有用な特徴であることを実証している。
  論文  参考訳（メタデータ） (2024-08-10T20:43:21Z)
• Electricity Price Forecasting in the Irish Balancing Market [0.0]
  この研究は、広く研究されている日頭市場で成功した様々な価格予測手法をアイルランドのバランス市場に適用する。 異なるトレーニングサイズの影響を調査するフレームワークを用いて,統計モデル,機械学習モデル,ディープラーニングモデルを比較した。 大規模な数値的な研究により、日頭市場における良いパフォーマンスのモデルはバランスの取れないモデルではうまく機能しないことが示された。
  論文  参考訳（メタデータ） (2024-02-09T15:18:00Z)
• Multivariate Scenario Generation of Day-Ahead Electricity Prices using Normalizing Flows [0.0]
  本研究では, 正規化フローと呼ばれる完全データ駆動型深部発電モデルを用いて, 日頭電力価格の確率的予測手法を提案する。 その結果,正規化フローは真の価格分布を再現し,正確な予測を行う高品質なシナリオを生成することがわかった。
  論文  参考訳（メタデータ） (2023-11-23T14:38:10Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and Regime-Switch VAE [113.47287249524008]
  オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。 本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。 4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-06-05T12:58:13Z)
• Simulation-based Forecasting for Intraday Power Markets: Modelling Fundamental Drivers for Location, Shape and Scale of the Price Distribution [0.0]
  本研究では,日内市場におけるリターン分布の位置,形状,スケールパラメータのモデル化手法を提案する。 風と太陽の予測と、その日内更新、停電、価格情報、および、メリットの順序を形作るための新しい尺度について検討する。 ボラティリティは、利益秩序体制、納期、国境を越えた注文書の閉鎖によってもたらされる。
  論文  参考訳（メタデータ） (2022-11-23T15:08:50Z)
• Machine learning applications for electricity market agent-based models: A systematic literature review [68.8204255655161]
  エージェントベースのシミュレーションは、電気市場のダイナミクスをよりよく理解するために使用される。 エージェントベースのモデルは、機械学習と人工知能を統合する機会を提供する。 我々は、エージェントベースの電気市場モデルに適用された機械学習に焦点を当てた2016年から2021年の間に発行された55の論文をレビューする。
  論文  参考訳（メタデータ） (2022-06-05T14:52:26Z)
• Multivariate Probabilistic Forecasting of Intraday Electricity Prices using Normalizing Flows [62.997667081978825]
  ドイツでは、日内電気価格は通常、EPEXスポット市場の1日当たりの価格に異なる時間帯で変動する。 本研究は,日頭契約の日内価格差をモデル化する確率論的モデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-05-27T08:38:20Z)
• OSOUM Framework for Trading Data Research [79.0383470835073]
  私たちは、私たちの知る限り、最初のオープンソースのシミュレーションプラットフォームであるOpen SOUrce Market Simulator(OSOUM)を提供して、トレーディング市場、特にデータ市場を分析します。 我々は、購入に利用可能なさまざまなデータセットを所有する売り手と、購入に有効な適切なデータセットを検索する買い手という2つのタイプのエージェントからなる、特定のデータ市場モデルを記述し、実装する。 データ市場を扱うための商用フレームワークはすでに存在していますが、購入者および販売者の両方が(データ)市場に参加することの可能な振る舞いをシミュレートするための、自由で広範なエンドツーエンドの研究ツールを提供しています。
  論文  参考訳（メタデータ） (2021-02-18T09:20:26Z)
• Learning the Gap in the Day-Ahead and Real-Time Locational Marginal Prices in the Electricity Market [0.0]
  機械学習アルゴリズムとディープニューラルネットワークは、日頭電気市場とリアルタイム電気市場の間の価格差の値を予測するために使用される。 提案手法を評価し,ニューラルネットワークはギャップの正確な値を予測できる有望な結果を示した。
  論文  参考訳（メタデータ） (2020-12-23T16:49:24Z)
• Predicting seasonal influenza using supermarket retail records [59.18952050885709]
  我々は,スーパーマーケットの小売データを,センチネルバスケットの識別を通じてインフルエンザの代替信号とみなす。 SVR(Support Vector Regression)モデルを用いて、季節性インフルエンザ発生の予測を行います。
  論文  参考訳（メタデータ） (2020-12-08T16:30:43Z)

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。