論文の概要: Analysis of Empirical Mode Decomposition-based Load and Renewable Time
Series Forecasting
- arxiv url: http://arxiv.org/abs/2011.11410v1
- Date: Mon, 23 Nov 2020 14:08:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 03:32:11.058958
- Title: Analysis of Empirical Mode Decomposition-based Load and Renewable Time
Series Forecasting
- Title(参考訳): 経験的モード分解に基づく負荷と再生可能時系列予測の解析
- Authors: Nima Safari, George Price, Chi Yung Chung
- Abstract要約: 歴史的負荷と再生可能発生に関連する時系列(TS)は、固有のモード機能(IMF)に分解される
この方法は、モーダルエイリアスや境界効果問題など、いくつかの問題を引き起こす傾向がある。
これらの問題を過小評価すると、リアルタイムアプリケーションにおける予測モデルの性能が低下する可能性がある。
- 参考スコア(独自算出の注目度): 1.1602089225841632
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The empirical mode decomposition (EMD) method and its variants have been
extensively employed in the load and renewable forecasting literature. Using
this multiresolution decomposition, time series (TS) related to the historical
load and renewable generation are decomposed into several intrinsic mode
functions (IMFs), which are less non-stationary and non-linear. As such, the
prediction of the components can theoretically be carried out with notably
higher precision. The EMD method is prone to several issues, including modal
aliasing and boundary effect problems, but the TS decomposition-based load and
renewable generation forecasting literature primarily focuses on comparing the
performance of different decomposition approaches from the forecast accuracy
standpoint; as a result, these problems have rarely been scrutinized.
Underestimating these issues can lead to poor performance of the forecast model
in real-time applications. This paper examines these issues and their
importance in the model development stage. Using real-world data, EMD-based
models are presented, and the impact of the boundary effect is illustrated.
- Abstract(参考訳): 経験的モード分解法(EMD)とその変種は、負荷および再生可能な予測文献に広く用いられている。
このマルチレゾリューション分解により、歴史的負荷と再生可能生成に関連する時系列 (ts) は、非定常かつ非線形ないくつかの内在モード関数 (imfs) に分解される。
これにより、理論的に高い精度で成分の予測を行うことができる。
EMD法は, モーダルエイリアスや境界効果問題などの問題が多いが, TS分解に基づく負荷と再生可能発生予測の文献は, 主に, 予測精度の観点から異なる分解手法の性能を比較することに焦点を当てており, これらの問題を精査することはめったにない。
これらの問題を過小評価すると、リアルタイムアプリケーションにおける予測モデルの性能が低下する可能性がある。
本稿では,これらの課題とモデル開発における重要性について考察する。
実世界のデータを用いて,EMDに基づくモデルを示し,境界効果の影響を示す。
関連論文リスト
- PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from
the perspective of partial differential equations [49.80959046861793]
本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。
7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
論文 参考訳(メタデータ) (2024-02-25T17:39:44Z) - Temporal Disentangled Contrastive Diffusion Model for Spatiotemporal
Imputation [36.80005620519233]
C$2$TSDは、トレンド情報と季節情報を条件付き特徴として取り入れ、モデル一般化性を改善するために対照的な学習を採用する新しいアプローチである。
3つの実世界のデータセットに対する実験は、様々な最先端ベースラインよりもC$2$TSDの方が優れた性能を示している。
論文 参考訳(メタデータ) (2024-02-18T11:59:04Z) - On Inference Stability for Diffusion Models [6.846175045133414]
DPM(Denoising Probabilistic Models)は、多彩で高品質な画像を生成するのに優れた生成モデルの分野である。
現在のDPMのトレーニング手法の多くは、時間ステップ間の相関を無視することが多く、画像生成におけるモデルの性能を効果的に制限している。
そこで本研究では,サンプリング品質を高めるために,推定ギャップを小さくすることを目的とした,新しいtextVinitsequence-aware Losを提案する。
論文 参考訳(メタデータ) (2023-12-19T18:57:34Z) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳(メタデータ) (2023-11-13T01:48:08Z) - Exploring Progress in Multivariate Time Series Forecasting:
Comprehensive Benchmarking and Heterogeneity Analysis [72.18987459587682]
MTS予測における公正な比較のために設計されたベンチマークであるBasicTSを紹介する。
MTSデータセットの不均一性を強調し、時間的特徴と空間的特徴に基づいて分類する。
論文 参考訳(メタデータ) (2023-10-09T19:52:22Z) - Robustness and Generalization Performance of Deep Learning Models on
Cyber-Physical Systems: A Comparative Study [71.84852429039881]
調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。
我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
論文 参考訳(メタデータ) (2023-06-13T12:43:59Z) - Discovering Predictable Latent Factors for Time Series Forecasting [39.08011991308137]
我々は,観測可能な時系列によって示唆される本質的な潜伏因子を推定するための新しい枠組みを開発する。
予測可能性,充足性,識別性という3つの特性を導入し,これらの特性を強力な潜伏力学モデルを用いてモデル化する。
複数の実データに対する実験結果から, 時系列予測の手法の有効性が示唆された。
論文 参考訳(メタデータ) (2023-03-18T14:37:37Z) - Enhancing Deep Traffic Forecasting Models with Dynamic Regression [12.343333815270402]
深層学習に基づく交通時系列予測モデルにおける一般的な仮定は、残差は独立であり、等方的であり、空間と時間には無関係であるということである。
本稿では,既存の深層交通予測フレームワークを強化するための動的回帰(DR)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-01-17T01:12:44Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
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。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z) - Deep Switching Auto-Regressive Factorization:Application to Time Series
Forecasting [16.934920617960085]
DSARFは、時間依存重みと空間依存因子の間の積変数による高次元データを近似する。
DSARFは、深い切替ベクトル自己回帰因子化の観点から重みをパラメータ化するという最先端技術とは異なる。
本実験は, 最先端手法と比較して, DSARFの長期的, 短期的予測誤差において優れた性能を示すものである。
論文 参考訳(メタデータ) (2020-09-10T20:15:59Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳(メタデータ) (2020-02-21T13:48:13Z)
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。