論文の概要: Generative Probabilistic Time Series Forecasting and Applications in Grid Operations

• arxiv url: http://arxiv.org/abs/2402.13870v1
• Date: Wed, 21 Feb 2024 15:23:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-22 14:54:31.125483
• Title: Generative Probabilistic Time Series Forecasting and Applications in Grid Operations
• Title（参考訳）: グリッド運用における確率的時系列予測と応用
• Authors: Xinyi Wang, Lang Tong, Qing Zhao
• Abstract要約: 生成確率予測は、過去の時系列観測で与えられた条件付き確率分布に基づいて、将来の時系列サンプルを生成する。 本稿では、独立かつ同一に分散したイノベーションシーケンスを抽出する、弱いイノベーションオートエンコーダアーキテクチャと学習アルゴリズムを提案する。 弱いイノベーションシーケンスはベイズ的であり、弱イノベーションオートエンコーダが生成確率予測のための標準アーキテクチャとなることを示す。
• 参考スコア（独自算出の注目度）: 47.19756484695248
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative probabilistic forecasting produces future time series samples according to the conditional probability distribution given past time series observations. Such techniques are essential in risk-based decision-making and planning under uncertainty with broad applications in grid operations, including electricity price forecasting, risk-based economic dispatch, and stochastic optimizations. Inspired by Wiener and Kallianpur's innovation representation, we propose a weak innovation autoencoder architecture and a learning algorithm to extract independent and identically distributed innovation sequences from nonparametric stationary time series. We show that the weak innovation sequence is Bayesian sufficient, which makes the proposed weak innovation autoencoder a canonical architecture for generative probabilistic forecasting. The proposed technique is applied to forecasting highly volatile real-time electricity prices, demonstrating superior performance across multiple forecasting measures over leading probabilistic and point forecasting techniques.
• Abstract（参考訳）: 生成確率予測は過去の時系列観測で与えられた条件付き確率分布に基づいて将来の時系列サンプルを生成する。 このような技術は、電力価格予測、リスクベースの経済派遣、確率的最適化など、グリッド運用における広範な適用に不確実なリスクベースの意思決定と計画に不可欠である。 Wiener と Kallianpur のイノベーション表現に触発されて,非パラメトリック定常時系列から独立かつ同一に分散されたイノベーションシーケンスを抽出する,弱いイノベーションオートエンコーダアーキテクチャと学習アルゴリズムを提案する。 弱いイノベーションシーケンスはベイズ的であり、弱イノベーションオートエンコーダが生成確率予測のための標準アーキテクチャとなることを示す。 提案手法は,高揮発性リアルタイム電力価格の予測に応用され,先進確率および点予測技術よりも複数の予測手法において優れた性能を示す。

関連論文リスト

• Probabilistic Forecasting of Real-Time Electricity Market Signals via Interpretable Generative AI [41.99446024585741]
  Weak Innovation AutoEncoderをベースとしたGenerative Probabilistic ForecastingアーキテクチャであるWIAE-GPFを提案する。 構造収束を保証する新しい学習アルゴリズムを提案し、生成した予測サンプルが基底真理条件付き確率分布と一致することを保証した。
  論文  参考訳（メタデータ） (2024-03-09T00:41:30Z)
• 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)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Non-parametric Probabilistic Time Series Forecasting via Innovations Representation [29.255644836978956]
  確率的時系列予測は、過去の実現後の時間における時系列の条件付き確率分布を予測する。 既存のアプローチは主にパラメトリックまたは半パラメトリックの時系列モデルに基づいており、制限があり、検証が困難であり、様々な条件に適応することが困難である。 本論文では,Norbert Wiener と Gopinath Kallianpur の先駆的なエムイノベーションの古典的概念に基づく非パラメトリック手法を提案する。
  論文  参考訳（メタデータ） (2023-06-05T02:24:59Z)
• 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） (2022-06-16T06:13:53Z)
• 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)
• 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)
• 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)
• Adversarial Attacks on Probabilistic Autoregressive Forecasting Models [7.305979446312823]
  我々は、単一値の列ではなく確率分布の列を出力するニューラルネットワークに対する効果的な逆攻撃を生成する。 提案手法は,2つの課題において,入力摂動の少ない攻撃を効果的に生成できることを実証する。
  論文  参考訳（メタデータ） (2020-03-08T13:08:34Z)

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。