論文の概要: An Adaptive Approach for Probabilistic Wind Power Forecasting Based on Meta-Learning

• arxiv url: http://arxiv.org/abs/2308.07980v1
• Date: Tue, 15 Aug 2023 18:28:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-17 15:54:55.784513
• Title: An Adaptive Approach for Probabilistic Wind Power Forecasting Based on Meta-Learning
• Title（参考訳）: メタラーニングに基づく確率的風力予測への適応的アプローチ
• Authors: Zichao Meng, Ye Guo, and Hongbin Sun
• Abstract要約: 本稿では,オフラインおよびオンライン学習手順を含む,確率的風力予測(WPF)への適応的アプローチについて検討する。 オフライン学習では、メタ学習の内外ループ更新を通じてベース予測モデルを訓練する。 オンライン学習の段階では、ベース予測モデルがオンライン予測に適用され、漸進的な学習技術が組み合わされる。
• 参考スコア（独自算出の注目度）: 7.422947032954223
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies an adaptive approach for probabilistic wind power forecasting (WPF) including offline and online learning procedures. In the offline learning stage, a base forecast model is trained via inner and outer loop updates of meta-learning, which endows the base forecast model with excellent adaptability to different forecast tasks, i.e., probabilistic WPF with different lead times or locations. In the online learning stage, the base forecast model is applied to online forecasting combined with incremental learning techniques. On this basis, the online forecast takes full advantage of recent information and the adaptability of the base forecast model. Two applications are developed based on our proposed approach concerning forecasting with different lead times (temporal adaptation) and forecasting for newly established wind farms (spatial adaptation), respectively. Numerical tests were conducted on real-world wind power data sets. Simulation results validate the advantages in adaptivity of the proposed methods compared with existing alternatives.
• Abstract（参考訳）: 本稿では,オフラインおよびオンライン学習を含む確率的風力発電予測(WPF)の適応的手法について検討する。 オフライン学習の段階では、ベース予測モデルをメタラーニングの内外ループ更新を通じてトレーニングし、異なる予測タスク、すなわち異なるリード時間や位置の確率的WPFに優れた適応性を持つベース予測モデルを実現する。 オンライン学習の段階では,オンライン予測と漸進的学習技術を組み合わせたベース予測モデルを適用する。 これに基づいて,オンライン予測は,最近の情報とベース予測モデルの適応性をフル活用する。 提案手法は,それぞれ異なるリードタイム(時間適応)と新たに確立した風力発電(空間適応)の予測に基いて開発されている。 実世界の風力データを用いて数値実験を行った。 シミュレーションの結果,提案手法の適応性の利点を既存手法と比較して検証した。

関連論文リスト

• Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
  Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。 実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。 Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
  論文  参考訳（メタデータ） (2024-07-28T19:18:59Z)
• Stacking for Probabilistic Short-term Load Forecasting [1.6317061277457001]
  メタラーニングのグローバル版とローカル版の両方を導入する。 ローカル学習モードでは、メタモデルはクエリパターンに最もよく似たパターンを使って訓練される。 以上の結果から, コンペティターに比べて, 量的回帰林が優越していることが示唆された。
  論文  参考訳（メタデータ） (2024-06-15T19:05:49Z)
• 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)
• A Bayesian Approach to Robust Inverse Reinforcement Learning [54.24816623644148]
  我々は、オフラインモデルに基づく逆強化学習(IRL)に対するベイズ的アプローチを考える。 提案フレームワークは,専門家の報酬関数と環境力学の主観的モデルとを同時推定することにより,既存のオフラインモデルベースIRLアプローチとは異なる。 本分析は, 専門家が環境の高精度なモデルを持つと考えられる場合, 評価政策が堅牢な性能を示すという新たな知見を提示する。
  論文  参考訳（メタデータ） (2023-09-15T17:37:09Z)
• A Comprehensive Survey on Test-Time Adaptation under Distribution Shifts [143.14128737978342]
  新たなパラダイムであるテスト時適応は、事前トレーニングされたモデルをテスト中にラベルのないデータに適用し、予測を行う可能性がある。 このパラダイムの最近の進歩は、推論に先立って自己適応モデルのトレーニングにラベルのないデータを活用するという大きな利点を浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-03-27T16:32:21Z)
• onlineforecast: An R package for adaptive and recursive forecasting [1.2647816797166165]
  R package onlineforecastは、オンライン予測のためのデータとモデルの一般的なセットアップを提供する。 線形回帰に基づくモデルの時間適応的なフィッティング機能を備えている。 このパッケージには、総合的なウィグレットと、エネルギーシステムにおけるオンライン予測アプリケーションの例が付属している。
  論文  参考訳（メタデータ） (2021-09-27T10:01:35Z)
• Deep learning-based multi-output quantile forecasting of PV generation [34.51430520593065]
  本稿では,近年のディープラーニングのブレークスルーを生かして,確率的PV予測器を開発する。 Encoder-decoderと名付けられたこの予測ツールは、日中多出力PV量子化予測を計算するために実装されている。 モデルは、非パラメトリックなアプローチである量子回帰を用いて訓練される。
  論文  参考訳（メタデータ） (2021-06-02T16:28:10Z)
• POLA: Online Time Series Prediction by Adaptive Learning Rates [4.105553918089042]
  繰り返しニューラルネットワークモデルの学習速度を自動的に調整し、時系列パターンの変化に適応するPOLAを提案する。 POLAは、他のオンライン予測方法よりも総合的に、あるいは優れた予測性能を示す。
  論文  参考訳（メタデータ） (2021-02-17T17:56:12Z)
• 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)
• Probabilistic Load Forecasting Based on Adaptive Online Learning [7.373617024876726]
  本稿では,隠れマルコフモデルの適応型オンライン学習に基づく確率的負荷予測手法を提案する。 本稿では,理論的保証のある学習予測手法を提案し,その性能を複数のシナリオで実験的に評価する。 その結果,提案手法は様々なシナリオにおいて既存手法の性能を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2020-11-30T12:02:26Z)
• Meta-learning framework with applications to zero-shot time-series forecasting [82.61728230984099]
  この研究は幅広いメタラーニングフレームワークを使って肯定的な証拠を提供する。 残余接続はメタラーニング適応機構として機能する。 我々は、ソースTSデータセット上でニューラルネットワークをトレーニングし、異なるターゲットTSデータセット上で再トレーニングすることなくデプロイできることを示します。
  論文  参考訳（メタデータ） (2020-02-07T16:39:43Z)

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。