論文の概要: Probabilistic Forecasting of Real-Time Electricity Market Signals via Interpretable Generative AI

• arxiv url: http://arxiv.org/abs/2403.05743v5
• Date: Tue, 24 Sep 2024 05:54:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-09 04:21:34.272442
• Title: Probabilistic Forecasting of Real-Time Electricity Market Signals via Interpretable Generative AI
• Title（参考訳）: 解釈可能な生成AIによるリアルタイム電力市場信号の確率予測
• Authors: Xinyi Wang, Qing Zhao, Lang Tong,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 41.99446024585741
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a generative AI approach to probabilistic forecasting of real-time electricity market signals, including locational marginal prices, interregional price spreads, and demand-supply imbalances. We present WIAE-GPF, a Weak Innovation AutoEncoder-based Generative Probabilistic Forecasting architecture that generates future samples of multivariate time series. Unlike traditional black-box models, WIAE-GPF offers interpretability through the Wiener-Kallianpur innovation representation for nonparametric time series, making it a nonparametric generalization of the Wiener/Kalman filter-based forecasting. A novel learning algorithm with structural convergence guarantees is proposed, ensuring that, under ideal training conditions, the generated forecast samples match the ground truth conditional probability distribution. Extensive tests using publicly available data from U.S. independent system operators under various point and probabilistic forecasting metrics demonstrate that WIAE-GPF consistently outperforms classical methods and cutting-edge machine learning techniques.
• Abstract（参考訳）: 本稿では,地域間価格の拡充,需要供給不均衡など,リアルタイム電気市場信号の確率的予測のための生成AI手法を提案する。 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について述べる。 従来のブラックボックスモデルとは異なり、WIAE-GPFはWiener-Kallianpurの非パラメトリック時系列の革新表現を通じて解釈可能性を提供し、Wiener/Kalmanフィルタに基づく予測の非パラメトリック一般化である。 構造収束を保証する新しい学習アルゴリズムを提案し、理想的な訓練条件下では、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。 様々な点と確率予測指標の下で、米国独立系のオペレータから公開されているデータを使用した広範囲なテストは、WIAE-GPFが古典的な手法や最先端の機械学習技術より一貫して優れていることを示している。

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。