Fugu-MT 論文翻訳(概要): Distributional neural networks for electricity price forecasting

論文の概要: Distributional neural networks for electricity price forecasting

arxiv url: http://arxiv.org/abs/2207.02832v1
Date: Wed, 6 Jul 2022 17:42:52 GMT
ステータス: 処理完了
システム内更新日: 2022-07-07 14:17:46.407767
Title: Distributional neural networks for electricity price forecasting
Title（参考訳）: 電力価格予測のための分布ニューラルネットワーク
Authors: Grzegorz Marcjasz, Micha{\l} Narajewski, Rafa{\l} Weron and Florian Ziel
Abstract要約: 確率的電力価格予測(EPF)に対する新しいアプローチを提案する。 EPFのための新しいネットワーク構造は、正規化分布多層パーセプトロン(DMLP)に基づいているこのフレームワークを使用すると、ニューラルネットワークの出力は正規あるいは潜在的に歪んだジョンソンのSU(JSU)の分布として定義される。
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 novel approach to probabilistic electricity price forecasting (EPF) which utilizes distributional artificial neural networks. The novel network structure for EPF is based on a regularized distributional multilayer perceptron (DMLP) which contains a probability layer. Using the TensorFlow Probability framework, the neural network's output is defined to be a distribution, either normal or potentially skewed and heavy-tailed Johnson's SU (JSU). The method is compared against state-of-the-art benchmarks in a forecasting study. The study comprises forecasting involving day-ahead electricity prices in the German market. The results show evidence of the importance of higher moments when modeling electricity prices.
Abstract（参考訳）: 本稿では,分散ニューラルネットワークを用いた確率的電力価格予測(EPF)に対する新しいアプローチを提案する。 EPFの新しいネットワーク構造は、確率層を含む規則化された分布多層パーセプトロン(DMLP)に基づいている。 TensorFlow Probabilityフレームワークを使用することで、ニューラルネットワークの出力は、正常または潜在的に歪んだジョンソンのSU(JSU)のいずれにおいても、分散として定義される。この手法は、予測研究において最先端のベンチマークと比較される。この調査は、ドイツの市場における日頭電気価格の予測を含む。その結果,電気価格をモデル化する際の高次モーメントの重要性が示唆された。

関連論文リスト

On-line conformalized neural networks ensembles for probabilistic forecasting of day-ahead electricity prices [41.94295877935867]
我々はPEPFに対する新しいアプローチを提案し、同型推論に基づく手法を用いて、アートニューラルネットワークのアンサンブルの手法を拡張した。複数の市場地域で実験が行われ、昼の予測が達成され、時間帯のカバレッジが向上し、安定した確率的スコアが得られた。
論文参考訳（メタデータ） (2024-04-03T13:22:47Z)
Postprocessing of point predictions for probabilistic forecasting of electricity prices: Diversity matters [0.0]
本稿では,3つのポストプロセッシング手法を用いて,点予測を確率的に変換する手法について検討する。その結果,予測分布と他の2つの手法を組み合わせることで,約7.5%の改善が得られた。注目すべきは、この組み合わせのパフォーマンスが、最先端の分散ディープニューラルネットワークと同等であることだ。
論文参考訳（メタデータ） (2024-04-02T19:50:36Z)
An Energy-Based Prior for Generative Saliency [62.79775297611203]
本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
論文参考訳（メタデータ） (2022-04-19T10:51:00Z)
Neural Capacitance: A New Perspective of Neural Network Selection via Edge Dynamics [85.31710759801705]
現在の実践は、性能予測のためのモデルトレーニングにおいて高価な計算コストを必要とする。本稿では,学習中のシナプス接続(エッジ)上の制御ダイナミクスを解析し,ニューラルネットワーク選択のための新しいフレームワークを提案する。我々のフレームワークは、ニューラルネットワークトレーニング中のバックプロパゲーションがシナプス接続の動的進化と等価であるという事実に基づいて構築されている。
論文参考訳（メタデータ） (2022-01-11T20:53:15Z)
Random vector functional link neural network based ensemble deep learning for short-term load forecasting [14.184042046855884]
本稿では,電力負荷予測のための新しいアンサンブルディープランダム関数リンク(edRVFL)を提案する。隠されたレイヤは、深い表現学習を強制するために積み上げられます。モデルは各層の出力をアンサンブルすることで予測を生成する。
論文参考訳（メタデータ） (2021-07-30T01:20:48Z)
Adversarial Examples Detection with Bayesian Neural Network [57.185482121807716]
本稿では,ランダムな成分が予測器の滑らかさを向上できるという観測によって動機づけられた敵の例を検出するための新しい枠組みを提案する。本稿では,BATer を略した新しいベイズ対向型サンプル検出器を提案し,対向型サンプル検出の性能を向上させる。
論文参考訳（メタデータ） (2021-05-18T15:51:24Z)
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)
Deep Distributional Time Series Models and the Probabilistic Forecasting of Intraday Electricity Prices [0.0]
本稿では,深部時系列確率モデルを構築するための2つのアプローチを提案する。 1つ目は、ESNの出力層が、追加の正規化の前に乱れと縮小がある点である。第二のアプローチは、特徴空間上の深いコプラ過程であるガウス乱れを伴うESNの暗黙のコプラを用いる。
論文参考訳（メタデータ） (2020-10-05T08:02:29Z)
N-BEATS neural network for mid-term electricity load forecasting [8.430502131775722]
提案手法は,中期電力負荷予測問題の解決に有効であることを示す。実装と訓練は簡単で、信号前処理は不要であり、予測バイアス低減機構を備えている。実験的な研究によると、提案されたニューラルネットワークは、正確性と予測バイアスの両方の観点から、すべての競合より明らかに優れています。
論文参考訳（メタデータ） (2020-09-24T21:48:08Z)
Neural Networks and Value at Risk [59.85784504799224]
リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
論文参考訳（メタデータ） (2020-05-04T17:41:59Z)

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。