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: 翻訳完了
• 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

• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Continuous Ensemble Weather Forecasting with Diffusion models [10.730406954385927]
  連続アンサンブル予測は拡散モデルにおけるアンサンブル予測をサンプリングするための新しいフレキシブルな手法である。 時間的に一貫したアンサンブル軌道を、自動回帰ステップなしで完全に並列に生成することができる。 本手法は, 確率特性のよいグローバル気象予報において, 競争力のある結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-10-07T18:51:23Z)
• Optimal starting point for time series forecasting [1.9937737230710553]
  最適開始点時系列予測(OSP-TSP)と呼ばれる新しい手法を導入する。 提案手法は,時系列の最適開始点(OSP)を決定するとともに,ベース予測モデルの予測性能を向上させる。 実験結果から,OSP-TSPアプローチに基づく予測は,全時系列データセットを用いた予測よりも一貫して優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-09-25T11:51:00Z)
• Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
  Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。 実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。 Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
  論文  参考訳（メタデータ） (2024-07-28T19:18:59Z)
• Bridging Model-Based Optimization and Generative Modeling via Conservative Fine-Tuning of Diffusion Models [54.132297393662654]
  本稿では,RLによる報酬モデルの最適化により,最先端拡散モデルを微調整するハイブリッド手法を提案する。 我々は、報酬モデルの補間能力を活用し、オフラインデータにおいて最良の設計を上回るアプローチの能力を実証する。
  論文  参考訳（メタデータ） (2024-05-30T03:57:29Z)
• Efficient mid-term forecasting of hourly electricity load using generalized additive models [0.0]
  本稿では,解釈可能なP-スプラインから構築され,自己回帰後処理によって強化された一般化付加モデル(GAM)を用いた新しい予測手法を提案する。 提案手法は欧州24カ国の負荷データに基づいて評価される。
  論文  参考訳（メタデータ） (2024-05-27T11:41:41Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• Fine-grained Forecasting Models Via Gaussian Process Blurring Effect [6.472434306724611]
  時系列予測は、複雑な時間的依存関係と動的な時間的依存関係が存在するため、困難なタスクである。 より多くのトレーニングデータを使用することで精度が向上するが、このソースは制限されることが多い。 我々は、エンドツーエンドの予測・デノゲーションパラダイムを提唱し、画像生成のためのDenoisingアプローチを成功させています。
  論文  参考訳（メタデータ） (2023-12-21T20:25:16Z)
• FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
  我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。 FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。 シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
  論文  参考訳（メタデータ） (2023-12-16T02:07:56Z)
• 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)
• 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)
• An Accurate and Fully-Automated Ensemble Model for Weekly Time Series Forecasting [9.617563440471928]
  本稿では,最先端の予測技術を活用した予測手法を提案する。 異なるメタ学習アーキテクチャ、アルゴリズム、ベースモデルプールについて検討する。 提案手法は、一連のベンチマークと最先端の週次予測モデルより一貫して優れている。
  論文  参考訳（メタデータ） (2020-10-16T04:29:09Z)

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。