論文の概要: Smoothed Bernstein Online Aggregation for Day-Ahead Electricity Demand
Forecasting
- arxiv url: http://arxiv.org/abs/2107.06268v1
- Date: Tue, 13 Jul 2021 17:51:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-14 14:46:26.806868
- Title: Smoothed Bernstein Online Aggregation for Day-Ahead Electricity Demand
Forecasting
- Title(参考訳): Smoothed Bernstein Online Aggregation for Day-Ahead Electricity Demand Forecasting
- Authors: Florian Ziel
- Abstract要約: 本稿では,日頭電力需要予測におけるIEEE DataPortコンペティションの勝利方法について述べる。
日頭負荷予測手法は、複数点予測モデルのオンライン予測組み合わせに基づいている。
このアプローチは柔軟で、新型コロナウイルス(COVID-19)のシャットダウンの前後で発生した新しいエネルギーシステムに迅速に適用することができる。
- 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: We present a winning method of the IEEE DataPort Competition on Day-Ahead
Electricity Demand Forecasting: Post-COVID Paradigm. The day-ahead load
forecasting approach is based on online forecast combination of multiple point
prediction models. It contains four steps: i) data cleaning and preprocessing,
ii) a holiday adjustment procedure, iii) training of individual forecasting
models, iv) forecast combination by smoothed Bernstein Online Aggregation
(BOA). The approach is flexible and can quickly adopt to new energy system
situations as they occurred during and after COVID-19 shutdowns. The pool of
individual prediction models ranges from rather simple time series models to
sophisticated models like generalized additive models (GAMs) and
high-dimensional linear models estimated by lasso. They incorporate
autoregressive, calendar and weather effects efficiently. All steps contain
novel concepts that contribute to the excellent forecasting performance of the
proposed method. This holds particularly for the holiday adjustment procedure
and the fully adaptive smoothed BOA approach.
- Abstract(参考訳): 本稿では,日頭電力需要予測におけるIEEE DataPortコンペティションの勝利方法について述べる。
日頭負荷予測手法は、複数点予測モデルのオンライン予測組み合わせに基づいている。
i)データクリーニングと前処理,i)ホリデー調整手順,iii)個別予測モデルのトレーニング,iv)スムーズなBernstein Online Aggregation(BOA)による予測の組み合わせ。
このアプローチは柔軟で、新型コロナウイルス(COVID-19)のシャットダウンの前後で発生した新しいエネルギーシステムに迅速に適用することができる。
個々の予測モデルのプールは、比較的単純な時系列モデルから一般化加法モデル(GAM)やラッソによって推定される高次元線形モデルのような洗練されたモデルまで様々である。
自動回帰、カレンダー、気象効果を効果的に取り入れる。
全てのステップは、提案手法の優れた予測性能に寄与する新しい概念を含んでいる。
これは特にホリデー調整手順と完全に適応したboaアプローチに当てはまる。
関連論文リスト
- Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。
本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
論文 参考訳(メタデータ) (2023-10-24T22:59:56Z) - OneNet: Enhancing Time Series Forecasting Models under Concept Drift by
Online Ensembling [65.93805881841119]
ドリフト問題に対処するため,textbfOnline textbfensembling textbfNetwork (OneNet)を提案する。
OneNet は State-Of-The-Art (SOTA) 法と比較してオンライン予測エラーを $mathbf50%$ 以上削減する。
論文 参考訳(メタデータ) (2023-09-22T06:59:14Z) - Ensemble Modeling for Time Series Forecasting: an Adaptive Robust
Optimization Approach [3.7565501074323224]
本稿では,時系列予測モデルの堅牢なアンサンブルを構築するための新しい手法を提案する。
本手法の有効性を,一連の合成実験と実世界の応用を通して実証する。
論文 参考訳(メタデータ) (2023-04-09T20:30:10Z) - SwinVRNN: A Data-Driven Ensemble Forecasting Model via Learned
Distribution Perturbation [16.540748935603723]
本研究では,SwinRNN予測器と摂動モジュールを組み合わせた天気予報モデルであるSwinVRNNを提案する。
SwinVRNNはECMWF統合予測システム(IFS)を2m温度と6時間総降水量で最大5日間のリードタイムで上回っている。
論文 参考訳(メタデータ) (2022-05-26T05:11:58Z) - onlineforecast: An R package for adaptive and recursive forecasting [1.2647816797166165]
R package onlineforecastは、オンライン予測のためのデータとモデルの一般的なセットアップを提供する。
線形回帰に基づくモデルの時間適応的なフィッティング機能を備えている。
このパッケージには、総合的なウィグレットと、エネルギーシステムにおけるオンライン予測アプリケーションの例が付属している。
論文 参考訳(メタデータ) (2021-09-27T10:01:35Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - Autoregressive Dynamics Models for Offline Policy Evaluation and
Optimization [60.73540999409032]
表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。
また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
論文 参考訳(メタデータ) (2021-04-28T16:48:44Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳(メタデータ) (2021-01-31T06:49:33Z) - A Strong Baseline for Weekly Time Series Forecasting [6.5513221781395465]
本稿では,この領域の強力なベースラインとして使用できる予測手法を提案する。
本手法では,週間データ予測に適した4つのベース予測モデルを用いる。
本研究では,6つのデータセットを対象とした週次予測モデルに対して,提案手法の性能評価を行った。
論文 参考訳(メタデータ) (2020-10-16T04:29:09Z) - Short-Term Solar Irradiance Forecasting Using Calibrated Probabilistic
Models [14.579720180539136]
我々は、SURFRADネットワーク内の7つの局の公開データを用いてモデルを訓練し、評価する。
NGBoostは, 太陽放射予測モデルよりも, 時間内解像度で高い性能が得られることを示す。
論文 参考訳(メタデータ) (2020-10-09T17:57:59Z) - 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)
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。