論文の概要: Generative Probabilistic Forecasting with Applications in Market Operations

• arxiv url: http://arxiv.org/abs/2403.05743v1
• Date: Sat, 9 Mar 2024 00:41:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 12:42:07.310692
• Title: Generative Probabilistic Forecasting with Applications in Market Operations
• Title（参考訳）: 市場運用への応用による生成確率予測
• Authors: Xinyi Wang, Lang Tong
• Abstract要約: 本稿では,非パラメトリック時系列のWiener-Kallianpur革新表現から導かれる新しい生成確率予測手法を提案する。 生成人工知能のパラダイムの下で、提案された予測アーキテクチャは、非パラメトリック多変量ランダムプロセスを標準的イノベーションシーケンスに変換するオートエンコーダを含む。 自己エンコーダの入力-出力条件の確率分布に一致する独立かつ同一の分布列を制約する新しい深層学習アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 49.36371351795784
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a novel generative probabilistic forecasting approach derived from the Wiener-Kallianpur innovation representation of nonparametric time series. Under the paradigm of generative artificial intelligence, the proposed forecasting architecture includes an autoencoder that transforms nonparametric multivariate random processes into canonical innovation sequences, from which future time series samples are generated according to their probability distributions conditioned on past samples. A novel deep-learning algorithm is proposed that constrains the latent process to be an independent and identically distributed sequence with matching autoencoder input-output conditional probability distributions. Asymptotic optimality and structural convergence properties of the proposed generative forecasting approach are established. Three applications involving highly dynamic and volatile time series in real-time market operations are considered: (i) locational marginal price forecasting for merchant storage participants, {(ii) interregional price spread forecasting for interchange markets,} and (iii) area control error forecasting for frequency regulations. Numerical studies based on market data from multiple independent system operators demonstrate superior performance against leading traditional and machine learning-based forecasting techniques under both probabilistic and point forecast metrics.
• Abstract（参考訳）: 本稿では,非パラメトリック時系列のWiener-Kallianpur革新表現から導かれる新しい生成確率予測手法を提案する。 生成型人工知能のパラダイムの下、提案された予測アーキテクチャは、非パラメトリック多変量確率過程を正準イノベーションシーケンスに変換するオートエンコーダを含み、過去のサンプルに条件づけられた確率分布に応じて将来の時系列サンプルを生成する。 自動エンコーダ入力出力条件付き確率分布に一致し, 潜在過程を独立かつ同一分布列に制約する, 新たなディープラーニングアルゴリズムを提案する。 提案した生成予測手法の漸近最適性と構造収束性を確立した。 リアルタイム市場運用における動的・揮発性時系列の3つの応用について考察する。 (i)商店員の地域的限界価格予測 (ii)インターチェンジ市場の地域間物価拡散予測、及び (iii)周波数規制の地域制御誤差予測 複数の独立系オペレーターの市場データに基づく数値的研究は、確率的および点予測の両方の指標の下で、従来の機械学習および機械学習ベースの予測技術に対して優れた性能を示す。

関連論文リスト

• On the use of Probabilistic Forecasting for Network Analysis in Open RAN [2.7599595576304963]
  確率予測技術は、様々な可能な結果と関連する確率を提供する。 本稿では,Open RANアーキテクチャ内の無線アプリケーション (rApp) として確率予測手法を提案する。
  論文  参考訳（メタデータ） (2024-07-19T15:03:38Z)
• On-line conformalized neural networks ensembles for probabilistic forecasting of day-ahead electricity prices [41.94295877935867]
  我々はPEPFに対する新しいアプローチを提案し、同型推論に基づく手法を用いて、アートニューラルネットワークのアンサンブルの手法を拡張した。 複数の市場地域で実験が行われ、昼の予測が達成され、時間帯のカバレッジが向上し、安定した確率的スコアが得られた。
  論文  参考訳（メタデータ） (2024-04-03T13:22:47Z)
• Generative Probabilistic Time Series Forecasting and Applications in Grid Operations [47.19756484695248]
  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。
  論文  参考訳（メタデータ） (2024-02-21T15:23:21Z)
• 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)
• 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)
• CC-Cert: A Probabilistic Approach to Certify General Robustness of Neural Networks [58.29502185344086]
  安全クリティカルな機械学習アプリケーションでは、モデルを敵の攻撃から守ることが不可欠である。 意味的に意味のある入力変換に対して、ディープラーニングモデルの証明可能な保証を提供することが重要である。 我々はChernoff-Cramer境界に基づく新しい普遍確率的証明手法を提案する。
  論文  参考訳（メタデータ） (2021-09-22T12:46:04Z)
• 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)

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。