論文の概要: Forecasting with an N-dimensional Langevin Equation and a Neural-Ordinary Differential Equation

• arxiv url: http://arxiv.org/abs/2405.07359v1
• Date: Sun, 12 May 2024 18:45:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-14 15:24:35.408712
• Title: Forecasting with an N-dimensional Langevin Equation and a Neural-Ordinary Differential Equation
• Title（参考訳）: N次元ランゲヴィン方程式とニューラル正規微分方程式による予測
• Authors: Antonio Malpica-Morales, Miguel A. Duran-Olivencia, Serafim Kalliadasis,
• Abstract要約: 我々は,非定常電気価格時系列を体系的にモデル化し,予測する枠組みを開発した。 その結果,NODEはLEを良好に補完し,定常的および非定常的電気価格の双方に対処するための包括的戦略を提供することがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of electricity day-ahead prices is essential in competitive electricity markets. Although stationary electricity-price forecasting techniques have received considerable attention, research on non-stationary methods is comparatively scarce, despite the common prevalence of non-stationary features in electricity markets. Specifically, existing non-stationary techniques will often aim to address individual non-stationary features in isolation, leaving aside the exploration of concurrent multiple non-stationary effects. Our overarching objective here is the formulation of a framework to systematically model and forecast non-stationary electricity-price time series, encompassing the broader scope of non-stationary behavior. For this purpose we develop a data-driven model that combines an N-dimensional Langevin equation (LE) with a neural-ordinary differential equation (NODE). The LE captures fine-grained details of the electricity-price behavior in stationary regimes but is inadequate for non-stationary conditions. To overcome this inherent limitation, we adopt a NODE approach to learn, and at the same time predict, the difference between the actual electricity-price time series and the simulated price trajectories generated by the LE. By learning this difference, the NODE reconstructs the non-stationary components of the time series that the LE is not able to capture. We exemplify the effectiveness of our framework using the Spanish electricity day-ahead market as a prototypical case study. Our findings reveal that the NODE nicely complements the LE, providing a comprehensive strategy to tackle both stationary and non-stationary electricity-price behavior. The framework's dependability and robustness is demonstrated through different non-stationary scenarios by comparing it against a range of basic naive methods.
• Abstract（参考訳）: 競争力のある電気市場では、電気の日頭価格の正確な予測が不可欠である。 静電気価格予測技術は注目されているが、電力市場における非定常的特徴の一般的な普及にもかかわらず、非定常的手法の研究は比較的少ない。 具体的には、既存の非定常的手法は、単独で個々の非定常的特徴に対処することを目的としており、同時に複数の非定常的効果を探索すること以外にはならない。 本研究の目的は,非定常行動の範囲を包含する,非定常電気価格時系列を体系的にモデル化し,予測する枠組みの定式化である。 この目的のために、N次元ランゲヴィン方程式(LE)とニューラル正規微分方程式(NODE)を組み合わせたデータ駆動モデルを開発する。 LEは定常状態における電気価格の挙動を詳細に把握するが、非定常状態には不十分である。 この制約を克服するために、我々はNODEアプローチを用いて学習し、同時にLEが生み出す実際の電気価格時系列と模擬価格軌跡との差を予測する。 この違いを学習することで、NODEはLEがキャプチャできない時系列の非定常成分を再構成する。 スペイン電力日頭市場を原型事例研究として用いた枠組みの有効性を実証する。 その結果,NODEはLEを良好に補完し,定常的および非定常的電気価格の双方に対処するための包括的戦略を提供することがわかった。 フレームワークの信頼性とロバスト性は、様々な非定常シナリオを通じて、様々な基本的な単純法と比較することによって実証される。

関連論文リスト

• Transfer learning for day-ahead load forecasting: a case study on European national electricity demand time series [42.156081667752886]
  電力グリッドの日々の運用には,短期負荷予測(STLF)が不可欠である。 ニューラルネットワーク(NN)モデルなど,STLFを改善するためのさまざまな予測手法が提案されている。 我々は、人気があり実装が容易なNNモデルを採用し、シリーズ間の類似パターンを特定するためにクラスタリング分析を行う。
  論文  参考訳（メタデータ） (2023-10-24T06:54:50Z)
• Probabilistic Forecasting of Day-Ahead Electricity Prices and their Volatility with LSTMs [0.0]
  本稿では,ドイツ・ルクセンブルクの日頭電力価格に対するLong Short-Term Memory(LSTM)モデルを提案する。 LSTMの繰り返し構造は傾向に適応し、平均偏差と標準偏差の合同予測は確率的予測を可能にする。 物理学に着想を得たアプローチである超統計学を用いて、LSTMモデルは価格とボラティリティの両方を忠実に再現することを示す。
  論文  参考訳（メタデータ） (2023-10-05T06:47:28Z)
• SaDI: A Self-adaptive Decomposed Interpretable Framework for Electric Load Forecasting under Extreme Events [25.325870546140788]
  自己適応型分解解釈フレームワーク(SaDI)という新しい予測フレームワークを提案する。 中央中国の電力負荷と公共エネルギーの計器の実験により、提案されたSaDIフレームワークは平均22.14%の改善が達成された。
  論文  参考訳（メタデータ） (2023-06-14T07:11:30Z)
• Multivariate Probabilistic Forecasting of Intraday Electricity Prices using Normalizing Flows [62.997667081978825]
  ドイツでは、日内電気価格は通常、EPEXスポット市場の1日当たりの価格に異なる時間帯で変動する。 本研究は,日頭契約の日内価格差をモデル化する確率論的モデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-05-27T08:38:20Z)
• Wholesale Electricity Price Forecasting using Integrated Long-term Recurrent Convolutional Network Model [0.0]
  本稿では、電力価格を予測するための長期再帰畳み込みネットワーク(ILRCN)モデルを提案する。 ケーススタディでは、提案したILRCNモデルが電気価格予測において正確かつ効率的であることが判明した。
  論文  参考訳（メタデータ） (2021-12-23T06:45:12Z)
• ARISE: ApeRIodic SEmi-parametric Process for Efficient Markets without Periodogram and Gaussianity Assumptions [91.3755431537592]
  我々は、効率的な市場を調査するためのApeRI-miodic(ARISE)プロセスを提案する。 ARISEプロセスは、いくつかの既知のプロセスの無限サムとして定式化され、周期スペクトル推定を用いる。 実際に,実世界の市場の効率性を明らかにするために,ARISE関数を適用した。
  論文  参考訳（メタデータ） (2021-11-08T03:36:06Z)
• Validation Methods for Energy Time Series Scenarios from Deep Generative Models [55.41644538483948]
  一般的なシナリオ生成アプローチでは、データ分散に関する前提なしにシナリオを生成するディープ生成モデル(DGM)を使用する。 エネルギーシナリオ生成文献における現在使われている検証手法の批判的評価を行う。 過去のデータと生成されたデータの両方に4つの検証手法を適用し、検証結果の解釈と、一般的な誤り、落とし穴、検証方法の限界について議論する。
  論文  参考訳（メタデータ） (2021-10-27T14:14:25Z)
• Learning to Estimate Without Bias [57.82628598276623]
  ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。 本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。 BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
  論文  参考訳（メタデータ） (2021-10-24T10:23:51Z)
• Advanced Statistical Learning on Short Term Load Process Forecasting [13.466565318976887]
  短期負荷予測(STLF)は、電力消費者の効率的なスケジューリング、運転最適化取引、意思決定に必要である。 本研究では, ハードタイプデータセットのこれらの課題を管理するための統計非線形モデルを提案し, 最大2日前に15分間の周波数負荷を予測した。
  論文  参考訳（メタデータ） (2021-10-19T12:32:40Z)
• Training Generative Adversarial Networks by Solving Ordinary Differential Equations [54.23691425062034]
  GANトレーニングによって引き起こされる連続時間ダイナミクスについて検討する。 この観点から、GANのトレーニングにおける不安定性は積分誤差から生じると仮定する。 本研究では,有名なODEソルバ(Runge-Kutta など)がトレーニングを安定化できるかどうかを実験的に検証する。
  論文  参考訳（メタデータ） (2020-10-28T15:23:49Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。