論文の概要: Masked Multi-Step Probabilistic Forecasting for Short-to-Mid-Term
Electricity Demand
- arxiv url: http://arxiv.org/abs/2302.06818v1
- Date: Tue, 14 Feb 2023 04:09:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-15 16:30:05.391572
- Title: Masked Multi-Step Probabilistic Forecasting for Short-to-Mid-Term
Electricity Demand
- Title(参考訳): 短期電力需要に対するマスク付きマルチステップ確率予測
- Authors: Yiwei Fu, Nurali Virani, Honggang Wang
- Abstract要約: Masked Multi-Step Multi Probabilistic Forecasting (MMMPF)は、ニューラルネットワークモデルをトレーニングするための、新しく一般的なフレームワークである。
過去の時間的情報と未来に関する既知の情報を組み合わせて確率的予測を行う。
MMMPFは、不確実性を捉え、将来のグリッドの確率的計画を可能にするために、望ましい量子化物を生成することもできる。
- 参考スコア(独自算出の注目度): 7.544120398993689
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting the demand for electricity with uncertainty helps in planning and
operation of the grid to provide reliable supply of power to the consumers.
Machine learning (ML)-based demand forecasting approaches can be categorized
into (1) sample-based approaches, where each forecast is made independently,
and (2) time series regression approaches, where some historical load and other
feature information is used. When making a short-to-mid-term electricity demand
forecast, some future information is available, such as the weather forecast
and calendar variables. However, in existing forecasting models this future
information is not fully incorporated. To overcome this limitation of existing
approaches, we propose Masked Multi-Step Multivariate Probabilistic Forecasting
(MMMPF), a novel and general framework to train any neural network model
capable of generating a sequence of outputs, that combines both the temporal
information from the past and the known information about the future to make
probabilistic predictions. Experiments are performed on a real-world dataset
for short-to-mid-term electricity demand forecasting for multiple regions and
compared with various ML methods. They show that the proposed MMMPF framework
outperforms not only sample-based methods but also existing time-series
forecasting models with the exact same base models. Models trainded with MMMPF
can also generate desired quantiles to capture uncertainty and enable
probabilistic planning for grid of the future.
- Abstract(参考訳): 不確実性を伴う電力需要の予測は、電力供給を消費者に提供するためのグリッドの計画と運用に役立つ。
機械学習(ml)ベースの需要予測アプローチは、(1)各予測を独立に行うサンプルベースアプローチ、(2)過去の負荷やその他の特徴情報を使用する時系列回帰アプローチに分類できる。
短期的な電力需要予測を行う場合には、天気予報やカレンダー変数など、将来の情報が提供される。
しかし、既存の予測モデルでは、この将来の情報は完全には組み込まれていない。
このような既存手法の限界を克服するために,過去からの時間的情報と未来に関する既知の情報を組み合わせて確率的予測を行う,一連の出力を生成するニューラルネットワークモデルをトレーニングするための,新しい一般フレームワークであるMasked Multi-Step Multi-Step Probabilistic Forecasting (MMMPF)を提案する。
複数の地域での短期的な電力需要予測のための実世界のデータセット上で実験を行い、様々なML手法と比較した。
提案したMMMPFフレームワークは,サンプルベース手法だけでなく,全く同じベースモデルを持つ既存の時系列予測モデルよりも優れていることを示す。
MMMPFでトレーニングされたモデルは、不確実性を捉え、将来のグリッドの確率的計画を可能にするために、望ましい量子化を生成することもできる。
関連論文リスト
- Wisdom of the Crowds in Forecasting: Forecast Summarization for Supporting Future Event Prediction [17.021220773165016]
Future Event Prediction (FEP) は、複数のドメインにまたがる需要とアプリケーションの範囲にまたがる重要なアクティビティである。
予測方法の1つは、将来についての集合的な意見を収集して集約し、累積的な視点が今後の出来事の可能性を推定する可能性をもたらすように予測することである。
本研究では,個々の予測を集約することで,群衆の知恵に基づく今後のイベント予測を支援するために,既存の研究・フレームワークを編成する。
論文 参考訳(メタデータ) (2025-02-12T08:35:10Z) - Sundial: A Family of Highly Capable Time Series Foundation Models [64.6322079384575]
Sundialはネイティブでフレキシブルでスケーラブルな時系列基盤モデルのファミリーです。
本モデルでは,事前分布を指定せずに事前学習を行い,複数の予測予測を生成できる。
TimeFlow Loss を通じてモード崩壊を緩和することにより、TimeBench 上で Sundial モデルのファミリーを事前訓練し、前例のないモデルキャパシティと一般化性能を示す。
論文 参考訳(メタデータ) (2025-02-02T14:52:50Z) - F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳(メタデータ) (2024-06-23T21:28:50Z) - 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) - Masked Multi-Step Multivariate Time Series Forecasting with Future
Information [7.544120398993689]
多くの実世界の予測シナリオでは、例えば短期から中期の電力需要予測を行う際の天気情報など、将来の情報が知られている。
既存のアプローチの限界を克服するために、出力列を生成することができるニューラルネットワークモデルをトレーニングするフレームワークであるMMMFを提案する。
本研究は,(1)中期電力需要予測のための実世界の2つのデータセットと(2)2ヶ月前のフライト出発に関する実験を行った。
論文 参考訳(メタデータ) (2022-09-28T20:49:11Z) - CAMul: Calibrated and Accurate Multi-view Time-Series Forecasting [70.54920804222031]
本稿では,一般的な確率的マルチビュー予測フレームワークであるCAMulを提案する。
多様なデータソースから表現と不確実性を学ぶことができる。
動的コンテキスト固有の方法で、各データビューからの知識と不確実性を統合する。
CAMulは、他の最先端確率予測モデルよりも精度とキャリブレーションが25%以上向上していることを示す。
論文 参考訳(メタデータ) (2021-09-15T17:13:47Z) - Probabilistic Time Series Forecasting with Implicit Quantile Networks [0.7249731529275341]
自己回帰的リカレントニューラルネットワークとインプリシット量子ネットワークを併用して、時系列ターゲット上の大規模な分布を学習する。
提案手法は, 時間分布の推定だけでなく, ポイントワイズ予測精度の観点からも好適である。
論文 参考訳(メタデータ) (2021-07-08T10:37:24Z) - Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic
Regression [51.770998056563094]
PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。
既存の最先端手法と比較してPGBMの利点を実証的に示す。
論文 参考訳(メタデータ) (2021-06-03T08:32:13Z) - 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) - A framework for probabilistic weather forecast post-processing across
models and lead times using machine learning [3.1542695050861544]
我々はNWPモデルと意思決定支援の「理想的な」予測とのギャップを埋める方法について述べる。
本研究では,各数値モデルの誤差プロファイルの学習にQuantile Regression Forestsを使用し,これを経験から得られた確率分布を予測に適用する。
第2に、これらの確率予測を量子平均化(quantile averaging)を用いて組み合わせ、第3に、集合量子化の間で補間して完全な予測分布を生成する。
論文 参考訳(メタデータ) (2020-05-06T16:46:02Z)
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。