論文の概要: The temporal overfitting problem with applications in wind power curve modeling

• arxiv url: http://arxiv.org/abs/2012.01349v1
• Date: Wed, 2 Dec 2020 17:39:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-25 03:47:53.662922
• Title: The temporal overfitting problem with applications in wind power curve modeling
• Title（参考訳）: 風力曲線モデリングにおける時間オーバーフィッティング問題と応用
• Authors: Abhinav Prakash, Rui Tuo and Yu Ding
• Abstract要約: 本稿では,時間的過適合問題に対処する新しい手法を提案する。 本稿では,風力エネルギーのパワー曲線モデリングを対象とする。
• 参考スコア（独自算出の注目度）: 8.057262184815636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper is concerned with a nonparametric regression problem in which the independence assumption of the input variables and the residuals is no longer valid. Using existing model selection methods, like cross validation, the presence of temporal autocorrelation in the input variables and the error terms leads to model overfitting. This phenomenon is referred to as temporal overfitting, which causes loss of performance while predicting responses for a time domain different from the training time domain. We propose a new method to tackle the temporal overfitting problem. Our nonparametric model is partitioned into two parts -- a time-invariant component and a time-varying component, each of which is modeled through a Gaussian process regression. The key in our inference is a thinning-based strategy, an idea borrowed from Markov chain Monte Carlo sampling, to estimate the two components, respectively. Our specific application in this paper targets the power curve modeling in wind energy. In our numerical studies, we compare extensively our proposed method with both existing power curve models and available ideas for handling temporal overfitting. Our approach yields significant improvement in prediction both in and outside the time domain covered by the training data.
• Abstract（参考訳）: 本稿では,入力変数と残差の独立性仮定がもはや有効ではない非パラメトリック回帰問題について述べる。 クロスバリデーションのような既存のモデル選択手法を用いることで、入力変数とエラー項における時間的自己相関の存在がモデルオーバーフィットにつながる。 この現象を時間オーバーフィッティング(temporal overfitting)と呼び、トレーニング時間領域とは異なる時間領域に対する応答を予測しながらパフォーマンスを損なう。 本稿では,時間オーバーフィッティング問題に対処する新しい手法を提案する。 我々の非パラメトリックモデルは、時変成分と時変成分の2つの部分に分けられ、それぞれがガウス過程の回帰によってモデル化される。 私たちの推論における鍵は、それぞれ2つのコンポーネントを推定するためにマルコフ連鎖モンテカルロサンプリングから借用された薄型戦略である。 本論文の具体的応用は風力エネルギーの電力曲線モデリングを対象とする。 本研究では,提案手法を既存のパワーカーブモデルと時間的オーバーフィッティングを扱うためのアイデアの両方と比較した。 提案手法は,トレーニングデータによってカバーされる時間領域内および外部の両方において,予測の大幅な改善をもたらす。

関連論文リスト

• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Revisiting the Temporal Modeling in Spatio-Temporal Predictive Learning under A Unified View [73.73667848619343]
  UTEP(Unified S-Temporal Predictive Learning)は,マイクロテンポラリスケールとマクロテンポラリスケールを統合した再帰的および再帰的フリーな手法を再構築する,革新的なフレームワークである。
  論文  参考訳（メタデータ） (2023-10-09T16:17:42Z)
• Wasserstein multivariate auto-regressive models for modeling distributional time series [0.0]
  多変量分布時系列の統計解析のための新しい自己回帰モデルを提案する。 このようなモデルの解の存在、特異性、定常性に関する結果が提供される。 また,本手法を各国の年齢分布から得られたデータ集合に適用した。
  論文  参考訳（メタデータ） (2022-07-12T10:18:36Z)
• Markov Chain Monte Carlo for Continuous-Time Switching Dynamical Systems [26.744964200606784]
  マルコフ連鎖モンテカルロ法による新しい推論アルゴリズムを提案する。 提示されたギブスサンプルは、正確な連続時間後処理から試料を効率的に得ることができる。
  論文  参考訳（メタデータ） (2022-05-18T09:03:00Z)
• PAGP: A physics-assisted Gaussian process framework with active learning for forward and inverse problems of partial differential equations [12.826754199680474]
  連続時間、離散時間、ハイブリッドモデルという3つの異なるモデルを紹介します。 与えられた物理情報は、設計したGP損失関数を通してガウス過程モデルに統合される。 最後に、連続時間モデルと離散時間モデルを組み合わせた新しいハイブリッドモデルを示す。
  論文  参考訳（メタデータ） (2022-04-06T05:08:01Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• 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)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Time Adaptive Gaussian Model [0.913755431537592]
  我々のモデルは、時間的グラフィカルモデルの推論のための最先端手法の一般化である。 時間内にデータポイントをクラスタリングすることでパターン認識を行い、観察された変数間の確率的(そしておそらく因果関係)関係を見つける。
  論文  参考訳（メタデータ） (2021-02-02T00:28:14Z)
• Causal Modeling with Stochastic Confounders [11.881081802491183]
  この作業は、共同設立者との因果推論を拡張します。 本稿では,ランダムな入力空間を持つ表現子定理に基づく因果推論のための変分推定手法を提案する。
  論文  参考訳（メタデータ） (2020-04-24T00:34:44Z)

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。