論文の概要: Deep and Probabilistic Solar Irradiance Forecast at the Arctic Circle

• arxiv url: http://arxiv.org/abs/2410.07806v1
• Date: Thu, 10 Oct 2024 10:45:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 14:46:14.547906
• Title: Deep and Probabilistic Solar Irradiance Forecast at the Arctic Circle
• Title（参考訳）: 北極圏における深部・確率的な太陽放射予測
• Authors: Niklas Erdmann, Lars Ø. Bentsen, Roy Stenbro, Heine N. Riise, Narada Warakagoda, Paal Engelstad,
• Abstract要約: この研究は、長短記憶単位(LSTM)の変動を用いたノルウェーのデータによる太陽光の予測である。 LSTM上では、Quantile RegressionとMaximum Likelihood (MLE)が最適化されている。 確率的不確実性推定は、観測された照射の分布に比較的よく適合している。
• 参考スコア（独自算出の注目度）: 0.46651599431114865
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Solar irradiance forecasts can be dynamic and unreliable due to changing weather conditions. Near the Arctic circle, this also translates into a distinct set of further challenges. This work is forecasting solar irradiance with Norwegian data using variations of Long-Short-Term Memory units (LSTMs). In order to gain more trustworthiness of results, the probabilistic approaches Quantile Regression (QR) and Maximum Likelihood (MLE) are optimized on top of the LSTMs, providing measures of uncertainty for the results. MLE is further extended by using a Johnson's SU distribution, a Johnson's SB distribution, and a Weibull distribution in addition to a normal Gaussian to model parameters. Contrary to a Gaussian, Weibull, Johnson's SU and Johnson's SB can return skewed distributions, enabling it to fit the non-normal solar irradiance distribution more optimally. The LSTMs are compared against each other, a simple Multi-layer Perceptron (MLP), and a smart-persistence estimator. The proposed LSTMs are found to be more accurate than smart persistence and the MLP for a multi-horizon, day-ahead (36 hours) forecast. The deterministic LSTM showed better root mean squared error (RMSE), but worse mean absolute error (MAE) than a MLE with Johnson's SB distribution. Probabilistic uncertainty estimation is shown to fit relatively well across the distribution of observed irradiance. While QR shows better uncertainty estimation calibration, MLE with Johnson's SB, Johnson's SU, or Gaussian show better performance in the other metrics employed. Optimizing and comparing the models against each other reveals a seemingly inherent trade-off between point-prediction and uncertainty estimation calibration.
• Abstract（参考訳）: 太陽放射の予測は、気象条件の変化により動的で信頼性が低い。 北極圏の近くでは、これはまた別の課題の集合に翻訳される。 この研究は、Long-Short-Term Memory Unit (LSTM) のバリエーションを用いて、ノルウェーのデータと太陽の照度を予測している。 結果の信頼性を高めるために、LSTM上では、QR(Quantile Regression)とMLE(Maximum Likelihood)の確率論的アプローチが最適化され、結果の不確実性の尺度が提供される。 MLE はさらにジョンソンの SU 分布、ジョンソンの SB 分布、ワイブル分布を用いて拡張される。 ガウス、ワイブル、ジョンソンのSU、ジョンソンのSBは歪んだ分布を返すことができ、非正規の太陽放射分布をより最適に適合させることができる。 LSTMは、単純な多層パーセプトロン(MLP)とスマートパースペンス推定器で比較される。 提案したLSTMは、スマート永続性よりも正確であり、マルチホライゾン・デイアヘッド(36時間)予測のためのMLPである。 決定論的LSTMは、根平均二乗誤差(RMSE)が、ジョンソンのSB分布を持つMLEよりも悪い平均絶対誤差(MAE)が見られた。 確率的不確実性推定は、観測された照射の分布に比較的よく適合している。 QRはより良い不確実性推定キャリブレーションを示すが、ジョンソンのSB、ジョンソンのSU、ガウスのMLEは、他の測定値よりも優れた性能を示す。 モデルを互いに最適化し比較すると、ポイント予測と不確実性推定のキャリブレーションの間に本質的にトレードオフがあるように見える。

関連論文リスト

• Uncertainty is Fragile: Manipulating Uncertainty in Large Language Models [79.76293901420146]
  大規模言語モデル(LLM)は、出力の信頼性が不可欠である様々な高い領域で採用されている。 本研究では,不確実性推定の脆弱性を調査し,攻撃の可能性を探る。 攻撃者がLSMにバックドアを埋め込むことができ、入力中の特定のトリガーによって起動されると、最終的な出力に影響を与えることなくモデルの不確実性を操作できることを示す。
  論文  参考訳（メタデータ） (2024-07-15T23:41:11Z)
• Probabilities of Chat LLMs Are Miscalibrated but Still Predict Correctness on Multiple-Choice Q&A [0.6144680854063939]
  チャット用に微調整された14の大規模言語モデル (LLMs) について検討し、その最大ソフトマックス確率 (MSPs) が多重選択Q&Aにおいて常に誤校正されていることを発見した。 この仮説は、基礎となるQ&Aタスクでよく機能するモデルに対して成り立つことを示す。
  論文  参考訳（メタデータ） (2024-02-20T18:24:47Z)
• Latent diffusion models for generative precipitation nowcasting with accurate uncertainty quantification [1.7718093866806544]
  本稿では,降水量予測のための潜水拡散モデル (LDM) を提案する。 GANをベースとしたDGMR(Deep Generative Models of Rainfall)と統計モデルPySTEPSを比較検討した。 LDMの最も明確な利点は、DGMRやPySTEPSよりも多様な予測を生成することである。
  論文  参考訳（メタデータ） (2023-04-25T15:03:15Z)
• Distributional Offline Policy Evaluation with Predictive Error Guarantees [30.69765115643426]
  本研究では,ポリシから生成されていないオフラインデータセットを用いて,ポリシの戻り値の分布を推定する問題について検討する。 We propose a algorithm called Fitted Likelihood Estimation (FLE) which do a sequence of Maximum Likelihood Estimation (MLE)。 多次元報酬設定では、拡散モデルを持つFLEは、テストポリシの戻りの複雑な分布を推定することができる。
  論文  参考訳（メタデータ） (2023-02-19T02:11:22Z)
• Markovian Sliced Wasserstein Distances: Beyond Independent Projections [51.80527230603978]
  我々は、射影方向にマルコフ構造を課す新しいSW距離の族、Markovian sliced Wasserstein (MSW) 距離を導入する。 フロー,色移動,深部生成モデルなどの様々な応用において,従来のSW変種との距離を比較し,MSWの良好な性能を示す。
  論文  参考訳（メタデータ） (2023-01-10T01:58:15Z)
• Uncertainty Quantification Techniques for Space Weather Modeling: Thermospheric Density Application [0.0]
  熱圏密度を予測する非線形MLモデルを開発するための2つの手法を提案する。 ローカルおよびグローバルデータセットでトレーニングされたモデルの性能を示す。 精度の高い不確実性推定値を用いて,独立テストデータ上で11%の誤差を達成した。
  論文  参考訳（メタデータ） (2022-01-06T14:17:50Z)
• Model-Agnostic Hybrid Numerical Weather Prediction and Machine Learning Paradigm for Solar Forecasting in the Tropics [0.0]
  数値天気予報(NWP)と機械学習(ML)の手法は、太陽の予測に人気がある。 しかし、NWPモデルは複数の物理パラメータ化が可能であり、サイト固有のNWP最適化が必要である。 地域NWPモデルが、パラメータ化の可能なグローバル気候モデルで使用される場合、これはさらに複雑である。 本研究では, 4つの放射線モデルに対して, 代替手法を提案し, 評価した。
  論文  参考訳（メタデータ） (2021-12-09T14:49:02Z)
• Personalized Trajectory Prediction via Distribution Discrimination [78.69458579657189]
  トラリミー予測は将来の力学のマルチモーダルな性質を捉えるジレンマと対立する。 本研究では,パーソナライズされた動作パターンを予測するDisDisDis(Disdis)手法を提案する。 本手法は,プラグイン・アンド・プレイモジュールとして既存のマルチモーダル予測モデルと統合することができる。
  論文  参考訳（メタデータ） (2021-07-29T17:42:12Z)
• Variational Refinement for Importance Sampling Using the Forward Kullback-Leibler Divergence [77.06203118175335]
  変分推論(VI)はベイズ推論における正確なサンプリングの代替として人気がある。 重要度サンプリング(IS)は、ベイズ近似推論手順の推定を微調整し、偏りを逸脱するためにしばしば用いられる。 近似ベイズ推論のための最適化手法とサンプリング手法の新たな組み合わせを提案する。
  論文  参考訳（メタデータ） (2021-06-30T11:00:24Z)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• Distributionally Robust Bayesian Quadrature Optimization [60.383252534861136]
  確率分布が未知な分布の不確実性の下でBQOについて検討する。 標準的なBQOアプローチは、固定されたサンプル集合が与えられたときの真の期待目標のモンテカルロ推定を最大化する。 この目的のために,新しい後方サンプリングに基づくアルゴリズム,すなわち分布的に堅牢なBQO(DRBQO)を提案する。
  論文  参考訳（メタデータ） (2020-01-19T12:00:33Z)

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。