論文の概要: Is your forecaster smarter than an energy engineer: a deep dive into electricity price forecasting

• arxiv url: http://arxiv.org/abs/2209.13411v1
• Date: Thu, 22 Sep 2022 10:53:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 23:14:51.136825
• Title: Is your forecaster smarter than an energy engineer: a deep dive into electricity price forecasting
• Title（参考訳）: あなたの予測はエネルギー技術者より賢いか? 電力価格予測を深く掘り下げる
• Authors: Maria Margarida Mascarenhas and Hussain Kazmi
• Abstract要約: 我々はベルギーの電気市場のデータを用いて、最先端の予測モデルがより一般的な設定で信頼できるかどうかを理解する。 我々の結果は、概して十分正確であるにもかかわらず、最先端の予測でさえ現実と整合性を維持するのに苦労していることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The field of electricity price forecasting has seen significant advances in the last years, including the development of new, more accurate forecast models. These models leverage statistical relationships in previously observed data to predict the future; however, there is a lack of analysis explaining these models, which limits their real world applicability in critical infrastructure. In this paper, using data from the Belgian electricity markets, we explore a state-of-the-art forecasting model to understand if its predictions can be trusted in more general settings than the limited context it is trained in. If the model produces poor predictions in extreme conditions or if its predictions are inconsistent with reality, it cannot be relied upon in real-world where these forecasts are used in downstream decision-making activities. Our results show that, despite being largely accurate enough in general, even state of the art forecasts struggle with remaining consistent with reality.
• Abstract（参考訳）: 電力価格予測の分野は、新しいより正確な予測モデルの開発など、ここ数年で大きな進歩を遂げている。 これらのモデルは、先述したデータにおける統計的関係を利用して未来を予測するが、これらのモデルを説明する分析は乏しく、重要なインフラにおける実際の適用性を制限する。 本稿では,ベルギーの電力市場のデータを用いて,その予測が訓練された限られた状況よりも一般的な環境で信頼できるかどうかを理解するために,最先端の予測モデルについて検討する。 モデルが極端な状況下で予測が不十分であったり、現実と矛盾していたりした場合、これらの予測が下流の意思決定活動で使用される現実世界では信頼できない。 我々の結果は、概して十分正確であるにもかかわらず、最先端の予測でさえ現実と整合性を維持することに苦戦していることを示している。

関連論文リスト

• Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes: Functional and Augmented Data Structures in Financial Forecasting [0.0]
  本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。 GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。 これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
  論文  参考訳（メタデータ） (2024-02-23T06:09:45Z)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• 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)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• On some limitations of data-driven weather forecasting models [0.0]
  本稿では,現在のMLモデルの先駆者であるPangu-Weather氏の予測のいくつかの側面について検討する。 主な結論は、Pangu-Weather予測と、おそらく同様のMLモデルの予測は、物理ベースのモデルの忠実性と物理的整合性を持っていないということである。
  論文  参考訳（メタデータ） (2023-09-15T15:21:57Z)
• SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
  不確かさの定量化は意思決定に不可欠である。 天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。 本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
  論文  参考訳（メタデータ） (2023-06-24T22:00:06Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Probabilistic forecasts of wind power generation in regions with complex topography using deep learning methods: An Arctic case [3.3788638227700734]
  本研究は,ディープラーニングを用いた確率的予測に関する概念とアプローチを提示する。 深層学習モデルを用いて、ノルウェー北部の風力発電所から日頭発電の確率予測を行う。
  論文  参考訳（メタデータ） (2022-03-10T15:52:11Z)
• Deep Probabilistic Koopman: Long-term time-series forecasting under periodic uncertainties [7.305019142196582]
  我々は、時間変化の分布を特徴付ける驚くほど単純なアプローチを導入し、将来への数千のタイムステップを合理的に正確に予測することを可能にする。 この手法はDeep Probabilistic Koopman (DPK) と呼ばれ、線形クープマン作用素理論の最近の進歩に基づいている。 本稿では,電力需要予測,大気化学,神経科学などの領域において,これらのモデルの長期予測性能を示す。
  論文  参考訳（メタデータ） (2021-06-10T20:22:41Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。