論文の概要: Probabilistic electric load forecasting through Bayesian Mixture Density Networks

• arxiv url: http://arxiv.org/abs/2012.14389v2
• Date: Mon, 11 Jan 2021 10:19:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 23:11:47.686239
• Title: Probabilistic electric load forecasting through Bayesian Mixture Density Networks
• Title（参考訳）: ベイズ混合密度ネットワークによる確率的電力負荷予測
• Authors: Alessandro Brusaferri and Matteo Matteucci and Stefano Spinelli and Andrea Vitali
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 70.50488907591463
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Probabilistic load forecasting (PLF) is a key component in the extended tool-chain required for efficient management of smart energy grids. Neural networks are widely considered to achieve improved prediction performances, supporting highly flexible mappings of complex relationships between the target and the conditioning variables set. However, obtaining comprehensive predictive uncertainties from such black-box models is still a challenging and unsolved problem. In this work, we propose a novel PLF approach, framed on Bayesian Mixture Density Networks. Both aleatoric and epistemic uncertainty sources are encompassed within the model predictions, inferring general conditional densities, depending on the input features, within an end-to-end training framework. To achieve reliable and computationally scalable estimators of the posterior distributions, both Mean Field variational inference and deep ensembles are integrated. Experiments have been performed on household short-term load forecasting tasks, showing the capability of the proposed method to achieve robust performances in different operating conditions.
• Abstract（参考訳）: 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ある。 ニューラルネットワークは、ターゲットと条件変数の複雑な関係の高度に柔軟なマッピングをサポートすることにより、予測性能の向上が広く検討されている。 しかし、このようなブラックボックスモデルから包括的な予測の不確実性を得ることは依然として困難で未解決な問題である。 本研究では,ベイズ混合密度ネットワークを用いた新しいplf手法を提案する。 aleatoric と epistemic uncertainty source の両方がモデル予測の中に包含され、入力特徴に応じて、エンドツーエンドのトレーニングフレームワーク内で一般的な条件密度を推測する。 後方分布の信頼性および計算スケーラブルな推定を実現するため,平均場変動推定と深層アンサンブルを統合した。 家庭の短期負荷予測タスクにおいて, 異なる動作条件下で頑健な性能を実現するための提案手法の有効性を示す実験を行った。

関連論文リスト

• 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)
• Boosted Control Functions [10.503777692702952]
  本研究の目的は,因果効果推定と予測タスクのギャップを埋めることである。 我々は,機械学習の分布場と同時方程式モデル,およびエコノメティクスの制御関数との新たな接続を確立する。 このフレームワーク内では、予測モデルに対する不変性の強い概念を提案し、それを既存の(ウィーカー)バージョンと比較する。
  論文  参考訳（メタデータ） (2023-10-09T15:43:46Z)
• Practical Probabilistic Model-based Deep Reinforcement Learning by Integrating Dropout Uncertainty and Trajectory Sampling [7.179313063022576]
  本稿では,ニューラルネットワーク上に構築された現在の確率モデルベース強化学習(MBRL)の予測安定性,予測精度,制御能力について述べる。 トラジェクトリサンプリング(DPETS)を用いた新しいアプローチであるドロップアウト型確率アンサンブルを提案する。
  論文  参考訳（メタデータ） (2023-09-20T06:39:19Z)
• Probabilistic Forecasting with Coherent Aggregation [42.215158938066054]
  MQForecasterニューラルネットワークアーキテクチャを構築によりコヒーレンスを実現するための新しい深いガウス因子予測モデルで拡張する。 最先端のコヒーレント予測手法と比較して、DeepCoFactorはスケールしたCRPS予測精度を大幅に改善し、平均利得は15%である。
  論文  参考訳（メタデータ） (2023-07-19T07:31:37Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)
• 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)
• Distributional Gradient Boosting Machines [77.34726150561087]
  私たちのフレームワークはXGBoostとLightGBMをベースにしています。 我々は,このフレームワークが最先端の予測精度を実現することを示す。
  論文  参考訳（メタデータ） (2022-04-02T06:32:19Z)
• A Bayesian Deep Learning Approach to Near-Term Climate Prediction [12.870804083819603]
  気候予測に対する補完的な機械学習に基づくアプローチを追求する。 特に,Densenetアーキテクチャのフィードフォワード畳み込みネットワークは,予測能力において,畳み込みLSTMよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-02-23T00:28:36Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)

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。