論文の概要: Conditional Approximate Normalizing Flows for Joint Multi-Step Probabilistic Electricity Demand Forecasting

• arxiv url: http://arxiv.org/abs/2201.02753v1
• Date: Sat, 8 Jan 2022 03:42:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-11 16:51:46.990134
• Title: Conditional Approximate Normalizing Flows for Joint Multi-Step Probabilistic Electricity Demand Forecasting
• Title（参考訳）: ジョイント多段確率電力需要予測のための条件付き近似正規化流れ
• Authors: Arec Jamgochian, Di Wu, Kunal Menda, Soyeon Jung, Mykel J. Kochenderfer
• Abstract要約: 本研究では,条件付き近似正規化流(CANF)を導入し,長い時間的地平線上で相関が存在する場合の確率的多段階時系列予測を行う。 実験の結果, 条件付き近似正規化フローは, 多段階予測精度で他の手法よりも優れており, 最大10倍のスケジューリング決定が導かれることがわかった。
• 参考スコア（独自算出の注目度）: 32.907448044102864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Some real-world decision-making problems require making probabilistic forecasts over multiple steps at once. However, methods for probabilistic forecasting may fail to capture correlations in the underlying time-series that exist over long time horizons as errors accumulate. One such application is with resource scheduling under uncertainty in a grid environment, which requires forecasting electricity demand that is inherently noisy, but often cyclic. In this paper, we introduce the conditional approximate normalizing flow (CANF) to make probabilistic multi-step time-series forecasts when correlations are present over long time horizons. We first demonstrate our method's efficacy on estimating the density of a toy distribution, finding that CANF improves the KL divergence by one-third compared to that of a Gaussian mixture model while still being amenable to explicit conditioning. We then use a publicly available household electricity consumption dataset to showcase the effectiveness of CANF on joint probabilistic multi-step forecasting. Empirical results show that conditional approximate normalizing flows outperform other methods in terms of multi-step forecast accuracy and lead to up to 10x better scheduling decisions. Our implementation is available at https://github.com/sisl/JointDemandForecasting.
• Abstract（参考訳）: 現実の意思決定問題の中には、複数のステップで同時に確率的予測を行う必要があるものもある。 しかしながら、確率的予測の方法は、エラーが蓄積するにつれて、長い時間軸上に存在する時系列の相関を捉えることができない可能性がある。 そのような応用の1つは、グリッド環境における不確実性の下で資源スケジューリングを行うことであり、これは本質的にノイズが多いが、しばしば循環的な電力需要の予測を必要とする。 本稿では,条件付き近似正規化フロー(canf)を導入し,時間軸に相関がある場合の確率的多段階時系列予測を行う。 まず, 玩具分布の密度を推定する手法の有効性を実証し, 明示的な条件付けが可能でありながら, ガウス混合モデルと比較して, canfがklの発散を3分の1改善できることを見出した。 次に,一般の家庭用電力消費データセットを用いて,共同確率的多段階予測におけるcanfの有効性を示す。 実験結果から, 条件付き近似正規化フローは, 多段階予測精度で他の手法よりも優れ, 最大10倍のスケジューリング決定が得られた。 私たちの実装はhttps://github.com/sisl/jointdemandforecastingで利用可能です。

関連論文リスト

• Conformalised Conditional Normalising Flows for Joint Prediction Regions in time series [7.200880964149064]
  Conformal Predictionは、機械学習モデルの不確実性を定量化する強力なフレームワークを提供する。 正規化フローのような確率的生成モデルに共形予測を適用することは簡単ではない。 本研究では,条件付き正規化フローを適合させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-26T02:19:13Z)
• Channel-aware Contrastive Conditional Diffusion for Multivariate Probabilistic Time Series Forecasting [19.383395337330082]
  本稿では,CCDM(Contrastive Conditional Diffusion)モデルを提案する。 提案したCCDMは,現在最先端の拡散予測器と比較して優れた予測能力を示すことができる。
  論文  参考訳（メタデータ） (2024-10-03T03:13:15Z)
• 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)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• 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)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• 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)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  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。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

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。