Fugu-MT 論文翻訳(概要): Stacking for Probabilistic Short-term Load Forecasting

論文の概要: Stacking for Probabilistic Short-term Load Forecasting

arxiv url: http://arxiv.org/abs/2406.10718v1
Date: Sat, 15 Jun 2024 19:05:49 GMT
ステータス: 処理完了
システム内更新日: 2024-06-18 23:04:22.098346
Title: Stacking for Probabilistic Short-term Load Forecasting
Title（参考訳）: 確率的短期負荷予測のためのスタック化
Authors: Grzegorz Dudek,
Abstract要約: メタラーニングのグローバル版とローカル版の両方を導入する。ローカル学習モードでは、メタモデルはクエリパターンに最もよく似たパターンを使って訓練される。以上の結果から, コンペティターに比べて, 量的回帰林が優越していることが示唆された。
参考スコア（独自算出の注目度）: 1.6317061277457001
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In this study, we delve into the realm of meta-learning to combine point base forecasts for probabilistic short-term electricity demand forecasting. Our approach encompasses the utilization of quantile linear regression, quantile regression forest, and post-processing techniques involving residual simulation to generate quantile forecasts. Furthermore, we introduce both global and local variants of meta-learning. In the local-learning mode, the meta-model is trained using patterns most similar to the query pattern.Through extensive experimental studies across 35 forecasting scenarios and employing 16 base forecasting models, our findings underscored the superiority of quantile regression forest over its competitors
Abstract（参考訳）: 本研究では,メタラーニングの領域を探索し,確率的短期電力需要予測のためのポイントベース予測を組み合わせる。提案手法は, 残留シミュレーションによる分数次線形回帰, 分数次回帰林の利用, および後処理技術を用いて, 分数次予測を生成する。さらに,メタラーニングのグローバル版とローカル版の両方を導入する。局所学習モードでは、クエリパターンに最もよく似たパターンを用いてメタモデルを訓練し、35の予測シナリオと16のベース予測モデルを用いた広範な実験結果から、競合相手よりも量子回帰林の方が優れていることが示された。

関連論文リスト

Quantile Regression using Random Forest Proximities [0.9423257767158634]
量子回帰林は、対象変数の条件分布全体を単一のモデルで推定する。本研究では,ランダムフォレスト近似を用いた量子レグレッションを用いて,QRFの原バージョンに対する条件目標分布と予測間隔の近似において,優れた性能を示すことを示す。
論文参考訳（メタデータ） (2024-08-05T10:02:33Z)
Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文参考訳（メタデータ） (2024-02-12T16:15:25Z)
Engression: Extrapolation through the Lens of Distributional Regression [2.519266955671697]
我々は、エングレースと呼ばれるニューラルネットワークに基づく分布回帰手法を提案する。エングレスモデル(engression model)は、適合した条件分布からサンプリングできるという意味で生成され、高次元結果にも適している。一方、最小二乗法や量子回帰法のような従来の回帰手法は、同じ仮定の下では不十分である。
論文参考訳（メタデータ） (2023-07-03T08:19:00Z)
Masked Multi-Step Probabilistic Forecasting for Short-to-Mid-Term Electricity Demand [7.544120398993689]
Masked Multi-Step Multi Probabilistic Forecasting (MMMPF)は、ニューラルネットワークモデルをトレーニングするための、新しく一般的なフレームワークである。過去の時間的情報と未来に関する既知の情報を組み合わせて確率的予測を行う。 MMMPFは、不確実性を捉え、将来のグリッドの確率的計画を可能にするために、望ましい量子化物を生成することもできる。
論文参考訳（メタデータ） (2023-02-14T04:09:03Z)
Distributional Gradient Boosting Machines [77.34726150561087]
私たちのフレームワークはXGBoostとLightGBMをベースにしています。我々は,このフレームワークが最先端の予測精度を実現することを示す。
論文参考訳（メタデータ） (2022-04-02T06:32:19Z)
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)
Flexible Model Aggregation for Quantile Regression [92.63075261170302]
量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。条件付き量子モデルの任意の数を集約する手法について検討する。この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
論文参考訳（メタデータ） (2021-02-26T23:21:16Z)
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)
Quantile Surfaces -- Generalizing Quantile Regression to Multivariate Targets [4.979758772307178]
我々のアプローチは、QS(quantile surfaces)と呼ばれる、単一出力量子化回帰(QR)から多変量ターゲットへの拡張に基づいている。第1段階では、決定論的ポイント予測(中央傾向推定)を行います。次に、量子表面回帰ニューラルネットワーク(QSNN)と呼ばれるニューラルネットワークを含むQSを用いた予測の不確かさをモデル化する。再生可能エネルギー発電の確率予測と,短期サイクリストの軌道予測の2つの分野において,合成データに対する新たなアプローチと,現在研究中の2つの領域における実世界の課題の評価を行った。
論文参考訳（メタデータ） (2020-09-29T16:35:37Z)
Video Prediction via Example Guidance [156.08546987158616]
ビデオ予測タスクでは、将来のコンテンツとダイナミクスのマルチモーダルな性質を捉えることが大きな課題である。本研究では,有効な将来状態の予測を効果的に行うための,シンプルで効果的なフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-03T14:57:24Z)
Meta-learning framework with applications to zero-shot time-series forecasting [82.61728230984099]
この研究は幅広いメタラーニングフレームワークを使って肯定的な証拠を提供する。残余接続はメタラーニング適応機構として機能する。我々は、ソースTSデータセット上でニューラルネットワークをトレーニングし、異なるターゲットTSデータセット上で再トレーニングすることなくデプロイできることを示します。
論文参考訳（メタデータ） (2020-02-07T16:39:43Z)

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。