論文の概要: Methodology for forecasting and optimization in IEEE-CIS 3rd Technical Challenge

• arxiv url: http://arxiv.org/abs/2202.00894v1
• Date: Wed, 2 Feb 2022 07:18:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-03 15:18:54.583598
• Title: Methodology for forecasting and optimization in IEEE-CIS 3rd Technical Challenge
• Title（参考訳）: IEEE-CIS第3回技術課題における予測と最適化手法
• Authors: Richard Bean
• Abstract要約: 本報告ではIEEE-CIS 3rd Technical Challengeで使用した方法論について解説する。 この予測のために,オーストラリア気象局が提供した太陽の変数を用いて,定量的回帰林のアプローチを用いた。 最適化のために,提案した予測を用いて4段階の手法を用いた。
• 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: This report provides a description of the methodology I used in the IEEE-CIS 3rd Technical Challenge. For the forecast, I used a quantile regression forest approach using the solar variables provided by the Bureau of Meterology of Australia (BOM) and many of the weather variables from the European Centre for Medium-Range Weather Forecasting (ECMWF). Groups of buildings and all of the solar instances were trained together as they were observed to be closely correlated over time. Other variables used included Fourier values based on hour of day and day of year, and binary variables for combinations of days of the week. The start dates for the time series were carefully tuned based on phase 1 and cleaning and thresholding was used to reduce the observed error rate for each time series. For the optimization, a four-step approach was used using the forecast developed. First, a mixed-integer program (MIP) was solved for the recurring and recurring plus once-off activities, then each of these was extended using a mixed-integer quadratic program (MIQP). The general strategy was chosen from one of two ("array" from the "array" and "tuples" approaches) while the specific step improvement strategy was chosen from one of five ("no forced discharge").
• Abstract（参考訳）: 本報告では、IEEE-CIS 3rd Technical Challengeで私が使った方法論について説明する。 本予測では,オーストラリア気象局 (BOM) の太陽観測値と欧州中レージ気象予報センター (ECMWF) の気象観測値を用いて, 定量的回帰林法を適用した。 建物群と全てのソーラーインスタンスは、時間とともに密接な相関関係が観測されたため、一緒に訓練された。 他の変数には、日時と年日に基づくフーリエ値、週の日数の組み合わせのためのバイナリ変数が含まれていた。 時系列の開始日はフェーズ1に基づいて慎重に調整され、各時系列の観測誤差率を減らすためにクリーニングとしきい値が使用された。 最適化には、開発した予測を用いて4段階のアプローチを用いた。 まず,再帰的および再帰的プラスワンスオフ動作のための混合整数プログラム (mip) を解き, それぞれを混合整数二次プログラム (miqp) を用いて拡張した。 一般的な戦略は"array"と"tuples"の2つのアプローチのうちの1つから選択され、特定のステップ改善戦略は5つの"no forced discharge"のうちの1つから選択された。

関連論文リスト

• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための生成変換器Timer-XLを提案する。 Timer-XLは、統一されたアプローチにより、挑戦的な予測ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Adaptive time series forecasting with markovian variance switching [1.2891210250935148]
  本稿では,オンライン学習理論に基づく分散を推定する新しい手法を提案する。 専門的なアグリゲーション手法を適用して、時間とともにばらつきを学習する。 本手法は, 誤特定に対して頑健であり, 従来の専門家アグリゲーションよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-22T16:40:55Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)
• Hierarchical Time Series Forecasting with Bayesian Modeling [0.0]
  時系列は階層的に構成されることが多く、例えば、会社の売上は異なる地域に分割され、各地域は異なる店舗に分割されることがある。 ある場合、階層内の系列の数は1つのモデルに収まるには大きすぎるため、関連する時間で予測を生成することができず、分散化されたアプローチは有益である。 この方法の1つの方法は、各系列と、階層によって示されるいくつかの要約統計系列(例えば、全系列の和)の独立予測モデルを訓練し、それらのモデルを調停アルゴリズムに渡して、系列間で情報を共有することでこれらの予測を改善することである。
  論文  参考訳（メタデータ） (2023-08-28T17:20:47Z)
• Beyond Ensemble Averages: Leveraging Climate Model Ensembles for Subseasonal Forecasting [10.083361616081874]
  本研究では,機械学習モデル(ML)を時系列予測のための後処理ツールとして応用することを検討した。 相対湿度, 海面圧力, 地電位高さなど, タグ付き数値アンサンブル予測および観測データをML法に取り入れた。 回帰、量子レグレッション、tercile 分類タスクでは、線形モデル、ランダムフォレスト、畳み込みニューラルネットワーク、および積み重ねモデルを用いて検討する。
  論文  参考訳（メタデータ） (2022-11-29T01:11:04Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Instance-wise Graph-based Framework for Multivariate Time Series Forecasting [69.38716332931986]
  我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。 私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
  論文  参考訳（メタデータ） (2021-09-14T07:38:35Z)
• Two-Step Meta-Learning for Time-Series Forecasting Ensemble [1.1278903078792915]
  いくつかのメソッドのアンサンブルを使用した予測は、しばしば妥協と見なされる。 メタラーニングを用いてこれらの側面を適応的に予測することを提案する。 提案手法は12561マイクロ・エコノミック・タイムシリーズで試験された。
  論文  参考訳（メタデータ） (2020-11-20T18:35:02Z)
• Drift-Adjusted And Arbitrated Ensemble Framework For Time Series Forecasting [0.491574468325115]
  時系列データの複雑で進化的な性質のため、時系列予測は難しい問題である。 あらゆる時系列データに対して普遍的に有効な方法は存在しない。 そこで本研究では,そのような分布ドリフトを考慮した再重み付け手法を提案する。
  論文  参考訳（メタデータ） (2020-03-16T10:21:37Z)

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。