Fugu-MT 論文翻訳(概要): ReModels: Quantile Regression Averaging models

論文の概要: ReModels: Quantile Regression Averaging models

arxiv url: http://arxiv.org/abs/2405.11372v1
Date: Sat, 18 May 2024 19:13:49 GMT
ステータス: 処理完了
システム内更新日: 2024-05-21 17:59:18.273588
Title: ReModels: Quantile Regression Averaging models
Title（参考訳）: ReModels: 量子回帰平均モデル
Authors: Grzegorz Zakrzewski, Kacper Skonieczka, Mikołaj Małkiński, Jacek Mańdziuk,
Abstract要約: 本稿では,QRA(Quantile Regression Averaging)メソッドの実装を含むPythonパッケージを提案する。提案パッケージは、電力市場に関するデータの取得と準備、およびモデル予測の評価を容易にする。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Electricity price forecasts play a crucial role in making key business decisions within the electricity markets. A focal point in this domain are probabilistic predictions, which delineate future price values in a more comprehensive manner than simple point forecasts. The golden standard in probabilistic approaches to predict energy prices is the Quantile Regression Averaging (QRA) method. In this paper, we present a Python package that encompasses the implementation of QRA, along with modifications of this approach that have appeared in the literature over the past few years. The proposed package also facilitates the acquisition and preparation of data related to electricity markets, as well as the evaluation of model predictions.
Abstract（参考訳）: 電力価格の予測は、電力市場の中で重要なビジネス上の決定を下す上で重要な役割を果たす。この領域の焦点は確率的予測であり、単純な点予測よりもより包括的な方法で将来の価格値を記述する。エネルギー価格を予測するための確率論的アプローチにおける黄金の標準は、QRA(Quantile Regression Averaging)法である。本稿では,QRAの実装を包含するPythonパッケージと,ここ数年にわたって文献に現れるこのアプローチの変更について述べる。提案パッケージは、電力市場に関するデータの取得と準備、およびモデル予測の評価を容易にする。

関連論文リスト

F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文参考訳（メタデータ） (2024-06-23T21:28:50Z)
Postprocessing of point predictions for probabilistic forecasting of day-ahead electricity prices: The benefits of using isotonic distributional regression [0.0]
本研究では,日頭電力価格の点予測を確率的値に変換するための3つのポストプロセッシング手法について検討する。後者は最も多様な振る舞いを示すが、予測分布のアンサンブルに最も寄与する。注目すべきことに、この組み合わせのパフォーマンスは、ドイツとスペインの電力市場から4.5年間のテスト期間において、最先端の分散ディープニューラルネットワークよりも優れている。
論文参考訳（メタデータ） (2024-04-02T19:50:36Z)
Conformal Prediction for Stochastic Decision-Making of PV Power in Electricity Markets [0.0]
コンフォメーション予測(CP)は、日々の太陽光発電電力予測の確率予測手法である。 CPを特定の入札戦略と組み合わせることで、エネルギーの不均衡を最小限に抑えて高い利益を得ることができる。具体的には、k-アネレスト近傍の共形予測システムと無作為な森林回帰の後にモンドリアン・ビンニングを用いると、最良の利益が得られる。
論文参考訳（メタデータ） (2024-03-29T12:34:57Z)
Bayesian Hierarchical Probabilistic Forecasting of Intraday Electricity Prices [0.0]
本稿では,ドイツの日内取引市場における電力価格のベイズ予測に関する第1報について述べる。検証には2022年の極端に不安定な電力価格を使用します。我々は、電気価格予測における特徴選択にLASSOを用いるという宣言されたゴールド標準に挑戦し、OMPがより良い予測性能をもたらすという強い統計的証拠を提示する。
論文参考訳（メタデータ） (2024-03-08T16:51:27Z)
A probabilistic forecast methodology for volatile electricity prices in the Australian National Electricity Market [0.36832029288386137]
オーストラリア国定電力市場(Australian National Electricity Market)の南オーストラリア地域は、現代の電力市場において最も高い価格変動率を示している。本稿では,これらの極端条件下での確率予測へのアプローチについて概説する。
論文参考訳（メタデータ） (2023-11-13T12:33:33Z)
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)
HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。 4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文参考訳（メタデータ） (2023-06-05T12:58:13Z)
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)
Hybrid Modelling Approaches for Forecasting Energy Spot Prices in EPEC market [62.997667081978825]
EPEC市場におけるエネルギースポット価格予測のためのハイブリッドモデリング手法について検討する。データは2013-2014年の電力価格、2015年のテストデータで提供された。
論文参考訳（メタデータ） (2020-10-14T12:45:53Z)
Probabilistic multivariate electricity price forecasting using implicit generative ensemble post-processing [0.0]
我々は、多変量電力価格シナリオを生成するために、点予測モデルのアンサンブルに基づく、可能性のない暗黙的生成モデルを使用する。我々のアンサンブル後処理法は、確立されたモデル組合せベンチマークより優れている。我々の手法はドメイン固有のエキスパートモデルの集合の上で機能するため、他の予測タスクに容易にデプロイできる。
論文参考訳（メタデータ） (2020-05-27T15:22:10Z)
Value-driven Hindsight Modelling [68.658900923595]
値推定は強化学習(RL)パラダイムの重要な構成要素である。モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
論文参考訳（メタデータ） (2020-02-19T18:10:20Z)

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。