論文の概要: Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems
- arxiv url: http://arxiv.org/abs/2010.04248v2
- Date: Fri, 9 Jul 2021 18:09:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 13:10:30.673185
- Title: Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems
- Title(参考訳): 確率的強制アンサンブル動的モード分解による近周期系の予測と解析
- Authors: Daniel Dylewsky, David Barajas-Solano, Tong Ma, Alexandre M.
Tartakovsky, J. Nathan Kutz
- Abstract要約: 本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
- 参考スコア(独自算出の注目度): 65.44033635330604
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series forecasting remains a central challenge problem in almost all
scientific disciplines. We introduce a novel load forecasting method in which
observed dynamics are modeled as a forced linear system using Dynamic Mode
Decomposition (DMD) in time delay coordinates. Central to this approach is the
insight that grid load, like many observables on complex real-world systems,
has an "almost-periodic" character, i.e., a continuous Fourier spectrum
punctuated by dominant peaks, which capture regular (e.g., daily or weekly)
recurrences in the dynamics. The forecasting method presented takes advantage
of this property by (i) regressing to a deterministic linear model whose
eigenspectrum maps onto those peaks, and (ii) simultaneously learning a
stochastic Gaussian process regression (GPR) process to actuate this system.
Our forecasting algorithm is compared against state-of-the-art forecasting
techniques not using additional explanatory variables and is shown to produce
superior performance. Moreover, its use of linear intrinsic dynamics offers a
number of desirable properties in terms of interpretability and parsimony.
Results are presented for a test case using load data from an electrical grid.
Load forecasting is an essential challenge in power systems engineering, with
major implications for real-time control, pricing, maintenance, and security
decisions.
- Abstract(参考訳): 時系列予測はほとんどの科学分野において中心的な課題である。
本稿では, 時間遅延座標における動的モード分解(dmd)を用いた強制線形系として, 観測されたダイナミクスをモデル化する新しい負荷予測法を提案する。
このアプローチの中心は、グリッドの負荷が、複雑な実世界の多くの観測可能量と同様に、「ほぼ周期的な」特性、すなわち、支配的なピークによって変動する連続フーリエスペクトルを持つという洞察である。
提示した予測方法は,この特性を利用する
(i)固有スペクトルがそれらのピークに写像する決定論的線形モデルへの回帰、
(2)確率ガウス過程回帰(GPR)過程を同時に学習し、このシステムを動作させる。
予測アルゴリズムは, 説明変数を付加せず, 最先端予測手法と比較し, 優れた性能が得られることを示した。
さらに、線形固有ダイナミクスの使用は、解釈可能性とパシモニーの観点から、多くの望ましい特性を提供する。
電力網からの負荷データを用いたテストケースについて結果を示す。
負荷予測は、リアルタイム制御、価格設定、メンテナンス、セキュリティ決定など、電力システム工学における重要な課題である。
関連論文リスト
- Poisson-Gamma Dynamical Systems with Non-Stationary Transition Dynamics [54.19709905569658]
非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。
後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。
実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
論文 参考訳(メタデータ) (2024-02-26T04:39:01Z) - Interpretable Short-Term Load Forecasting via Multi-Scale Temporal
Decomposition [3.080999981940039]
本稿では,ニューラルネットワークの線形結合を学習し,それぞれが入力時間の特徴に付随する解釈可能なディープラーニング手法を提案する。
ケーススタディはベルギーの中央グリッド負荷データセット上で実施されており、提案モデルは頻繁に適用されるベースラインモデルよりも精度がよいことを示した。
論文 参考訳(メタデータ) (2024-02-18T17:55:59Z) - Attractor Memory for Long-Term Time Series Forecasting: A Chaos
Perspective [66.79255404792849]
本稿では,カオス理論を長期時系列予測(LTSF)タスクに導入する。
我々のモデルである textbftextitAttraos はカオス理論をLTSFに組み込み、未知の高次元カオス力学系からの観測として実世界の時系列を知覚する。
歴史的力学構造を記憶し、周波数を拡大した局所進化戦略によって予測する。
論文 参考訳(メタデータ) (2024-02-18T05:35:01Z) - Enhancing the Robustness via Adversarial Learning and Joint
Spatial-Temporal Embeddings in Traffic Forecasting [11.680589359294972]
本稿では,ダイナミックスとロバストネスのバランスをとることの課題に対処するため,TrendGCNを提案する。
我々のモデルは、空間的(ノード的に)埋め込みと時間的(時間的に)埋め込みを同時に組み込んで、不均一な空間的・時間的畳み込みを考慮に入れている。
ステップワイドな予測エラーを独立して扱う従来のアプローチと比較して、我々のアプローチはより現実的で堅牢な予測を生み出すことができる。
論文 参考訳(メタデータ) (2022-08-05T09:36:55Z) - Time varying regression with hidden linear dynamics [74.9914602730208]
線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。
反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
論文 参考訳(メタデータ) (2021-12-29T23:37:06Z) - Disentangled Generative Models for Robust Prediction of System Dynamics [2.6424064030995957]
本研究では,動的システムの領域パラメータをデータ生成過程の変動要因として扱う。
教師付き不整合と因果分解のアイデアを活用することにより、生成モデルの潜在空間における力学から領域パラメータを分離することを目指す。
その結果,不整合VAEはトレーニングデータに存在しない領域パラメータ空間に適応することが示唆された。
論文 参考訳(メタデータ) (2021-08-26T09:58:06Z) - Deep Probabilistic Time Series Forecasting using Augmented Recurrent
Input for Dynamic Systems [12.319812075685956]
我々は、深部生成モデルと状態空間モデル(SSM)の両方の進歩を組み合わせて、新しいデータ駆動の深部確率的シーケンスモデルを考え出す。
特に、リカレントニューラルネットワーク(RNN)を用いた変動配列モデルを構築するために、一般的なエンコーダデコーダ生成構造に従う。
トレーニングと予測の不整合を緩和するために,次のステップでハイブリッド出力を入力として使用することを提案する。
論文 参考訳(メタデータ) (2021-06-03T23:41:11Z) - Physics-Informed Gaussian Process Regression for Probabilistic States
Estimation and Forecasting in Power Grids [67.72249211312723]
電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。
PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。
提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
論文 参考訳(メタデータ) (2020-10-09T14:18:31Z) - Learning Continuous-Time Dynamics by Stochastic Differential Networks [32.63114111531396]
変動微分ネットワーク(VSDN)という,フレキシブルな連続時間リカレントニューラルネットワークを提案する。
VSDNは神経微分方程式(SDE)による散発時間系列の複雑なダイナミクスを埋め込む
VSDNは最先端の継続的ディープラーニングモデルより優れており、散発時系列の予測やタスクにおいて優れた性能を発揮する。
論文 参考訳(メタデータ) (2020-06-11T01:40:34Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳(メタデータ) (2020-06-08T09:53:35Z)
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。