論文の概要: A comparative assessment of deep learning models for day-ahead load
forecasting: Investigating key accuracy drivers
- arxiv url: http://arxiv.org/abs/2302.12168v1
- Date: Thu, 23 Feb 2023 17:11:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-24 14:20:27.748063
- Title: A comparative assessment of deep learning models for day-ahead load
forecasting: Investigating key accuracy drivers
- Title(参考訳): 日頭負荷予測のためのディープラーニングモデルの比較評価:鍵精度ドライバの検討
- Authors: Sotiris Pelekis, Ioannis-Konstantinos Seisopoulos, Evangelos
Spiliotis, Theodosios Pountridis, Evangelos Karakolis, Spiros Mouzakitis,
Dimitris Askounis
- Abstract要約: 短期負荷予測(STLF)は電力グリッドの日々の運用に不可欠である。
N-BEATSは、検査されたディープラーニングモデルの他の部分よりも一貫して優れています。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Short-term load forecasting (STLF) is vital for the daily operation of power
grids. However, the non-linearity, non-stationarity, and randomness
characterizing electricity demand time series renders STLF a challenging task.
To that end, different forecasting methods have been proposed in the literature
for day-ahead load forecasting, including a variety of deep learning models
that are currently considered to achieve state-of-the-art performance. In order
to compare the accuracy of such models, we focus on national net aggregated
STLF and examine well-established autoregressive neural networks of indicative
architectures, namely multi-layer perceptrons, N-BEATS, long short-term memory
neural networks, and temporal convolutional networks, for the case of Portugal.
To investigate the factors that affect the performance of each model and
identify the most appropriate per case, we also conduct a post-hoc analysis,
correlating forecast errors with key calendar and weather features. Our results
indicate that N-BEATS consistently outperforms the rest of the examined deep
learning models. Additionally, we find that external factors can significantly
impact accuracy, affecting both the actual and relative performance of the
models.
- Abstract(参考訳): 短期負荷予測(STLF)は電力グリッドの日々の運用に不可欠である。
しかし、電力需要時系列を特徴付ける非線形性、非定常性、ランダム性は、STLFを困難な課題にしている。
そのために,現在最先端の性能を達成していると考えられる様々なディープラーニングモデルを含む,日頭負荷予測の文献において,様々な予測手法が提案されている。
このようなモデルの正確性を比較するために,国家ネット集約型slfに着目し,ポルトガルの場合,多層パーセプトロン,n-ビート,長期短期記憶型ニューラルネットワーク,時間畳み込み型ネットワークといった表現型アーキテクチャの確立された自己回帰型ニューラルネットワークについて検討する。
また,各モデルの性能に影響を及ぼす要因を調査し,ケース毎に最も適した要因を特定するために,予測誤差と重要なカレンダーと天気の特徴を関連付けたポストホック解析を行う。
以上の結果から,N-BEATSは学習モデルの他の部分よりも一貫して優れていたことが示唆された。
さらに,外部要因が精度に大きく影響し,実際の性能と相対性能の両方に影響を及ぼすことがわかった。
関連論文リスト
- Mlinear: Rethink the Linear Model for Time-series Forecasting [8.533981186119068]
線形モデルに基づく効率的な時系列予測モデルを提案する。
広く使われているベンチマーク時系列データセットでは、我々のモデルは現在のSOTAよりも優れているだけでなく、10ドルのスピードアップがあり、最新のSOTAモデルよりもパラメータが少ない。
論文 参考訳(メタデータ) (2023-05-08T15:54:18Z) - In Search of Deep Learning Architectures for Load Forecasting: A
Comparative Analysis and the Impact of the Covid-19 Pandemic on Model
Performance [0.0]
短期負荷予測(STLF)は、その信頼性、排出、コストの最適化に不可欠である。
この研究は、精度の予測と持続可能性のトレーニングに関して、Deep Learning (DL)アーキテクチャの比較研究を行う。
ケーススタディは、ポルトガルの全国15分解像度ネットロードタイムシリーズの日頭予測に焦点を当てている。
論文 参考訳(メタデータ) (2023-02-25T10:08:23Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - ES-dRNN: A Hybrid Exponential Smoothing and Dilated Recurrent Neural
Network Model for Short-Term Load Forecasting [1.4502611532302039]
複雑な時系列(TS)のため、短期負荷予測(STLF)は困難である
本稿では,複数の季節性を扱うハイブリッド階層型ディープラーニングモデルを提案する。
指数スムージング(ES)とリカレントニューラルネットワーク(RNN)を組み合わせる。
論文 参考訳(メタデータ) (2021-12-05T19:38:42Z) - Low-Rank Temporal Attention-Augmented Bilinear Network for financial
time-series forecasting [93.73198973454944]
ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。
近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。
本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
論文 参考訳(メタデータ) (2021-07-05T10:15:23Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳(メタデータ) (2021-06-07T18:31:47Z) - 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) - Dynamic Time Warping as a New Evaluation for Dst Forecast with Machine
Learning [0.0]
ニューラルネットワークをトレーニングして、発生時刻の暴風雨時指数を1時間から6時間まで予測する。
相関係数とRMSEによるモデルの結果の検査により,最新の論文に匹敵する性能を示した。
2つの時系列が互いに時間的にずれているかどうかを測定するために,新しい手法を提案する。
論文 参考訳(メタデータ) (2020-06-08T15:14:13Z) - Spatiotemporal Adaptive Neural Network for Long-term Forecasting of
Financial Time Series [0.2793095554369281]
本稿では,ディープニューラルネットワーク(DNN)が時系列予測(TS)の同時予測に利用できるかどうかを検討する。
動的因子グラフ(DFG)を用いて多変量自己回帰モデルを構築する。
ACTMでは、TSモデルの自己回帰順序を時間とともに変化させ、より大きな確率分布をモデル化することができる。
論文 参考訳(メタデータ) (2020-03-27T00:53:11Z)
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。