論文の概要: Latent Space Representation of Electricity Market Curves for Improved Prediction Efficiency

• arxiv url: http://arxiv.org/abs/2503.11294v1
• Date: Fri, 14 Mar 2025 11:04:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 13:06:23.994054
• Title: Latent Space Representation of Electricity Market Curves for Improved Prediction Efficiency
• Title（参考訳）: 予測効率向上のための電力市場曲線の潜時空間表現
• Authors: Martin Výboh, Zuzana Chladná, Gabriela Grmanová, Mária Lucká,
• Abstract要約: 本研究は、電力市場曲線の高次元および時系列特性を扱うために設計された3相ML予測フレームワークを提案する。 前処理フェーズでは、元のデータを変換して統一的な構造を実現し、可能なアウトレイラの効果を緩和する。 最後に、様々な機械学習手法を用いて、一度潜在空間で表現されたサプライと需要曲線を予測する。
• 参考スコア（独自算出の注目度）: 1.124958340749622
• License:
• Abstract: This work presents a three-phase ML prediction framework designed to handle a high dimensionality and multivariate time series character of the electricity market curves. In the preprocessing phase, we transform the original data to achieve a unified structure and mitigate the effect of possible outliers. Further, to address the challenge of high dimensionality, we test three dimensionality reduction techniques (PCA, kPCA, UMAP). Finally, we predict supply and demand curves, once represented in a latent space, with a variety of machine learning methods (RF, LSTM, TSMixer). As our results on the MIBEL dataset show, a high dimensional structure of the market curves can be best handled by the nonlinear reduction technique UMAP. Regardless of the ML technique used for prediction, we achieved the lowest values for all considered precision metrics with a UMAP latent space representation in only two or three dimensions, even when compared to PCA and kPCA with five or six dimensions. Further, we demonstrate that the most promising machine learning technique to handle the complex structure of the electricity market curves is a novel TSMixer architecture. Finally, we fill the gap in the field of electricity market curves prediction literature: in addition to standard analysis on the supply side, we applied the ML framework and predicted demand curves too. We discussed the differences in the achieved results for these two types of curves.
• Abstract（参考訳）: 本研究は,電力市場曲線の高次元及び多変量時系列特性を扱うために設計された3相ML予測フレームワークを提案する。 前処理フェーズでは、元のデータを変換して統一的な構造を実現し、可能なアウトレイラの効果を緩和する。 さらに, 高次元化の課題に対処するため, 3次元化技術(PCA, kPCA, UMAP)を検証した。 最後に、様々な機械学習手法(RF, LSTM, TSMixer)を用いて、一度潜在空間で表現された供給と需要曲線を予測する。 MIBELデータセットに示すように、市場曲線の高次元構造は非線形還元法UMAPで処理できる。 予測に使用するML手法にかかわらず,PCA,kPCAの5～6次元と比較しても,UMAP潜在空間表現を2～3次元に限定して検討されたすべての精度指標に対して最低値を達成した。 さらに、電力市場曲線の複雑な構造を扱う最も有望な機械学習技術は、新しいTSMixerアーキテクチャであることを示す。 最後に、電力市場曲線の分野でのギャップを埋め、供給側の標準分析に加えて、MLフレームワークを適用し、需要曲線も予測した。 これら2種類の曲線の達成結果の違いについて検討した。

関連論文リスト

• Pushing the Limits of Large Language Model Quantization via the Linearity Theorem [71.3332971315821]
  本稿では,階層的$ell$再構成誤差と量子化によるモデルパープレキシティ増加との直接的な関係を確立する「線形定理」を提案する。 この知見は,(1)アダマール回転とHIGGSと呼ばれるMSE最適格子を用いた単純なデータフリーLCM量子化法,(2)非一様層ごとの量子化レベルを求める問題に対する最適解の2つの新しい応用を可能にする。
  論文  参考訳（メタデータ） (2024-11-26T15:35:44Z)
• Incorporating Arbitrary Matrix Group Equivariance into KANs [69.30866522377694]
  我々は任意の行列群同変をkanに組み込む方法であるEquivariant Kolmogorov-Arnold Networks (EKAN)を提案する。 EKANは、粒子散乱や3体問題といった対称性に関連したタスクにおいて、より小さなデータセットやより少ないパラメータで高い精度を達成する。
  論文  参考訳（メタデータ） (2024-10-01T06:34:58Z)
• Double-Shot 3D Shape Measurement with a Dual-Branch Network for Structured Light Projection Profilometry [14.749887303860717]
  我々は、異なる構造光(SL)変調を処理するために、デュアルブランチ畳み込みニューラルネットワーク(CNN)-トランスフォーマーネットワーク(PDCNet)を提案する。 PDCNet内では、Transformerブランチを使用してフリンジイメージのグローバルな認識をキャプチャし、CNNブランチはスペックルイメージのローカル詳細を収集するように設計されている。 提案手法は, 自己生成データセット上で高精度な結果が得られる一方で, フランジオーダーの曖昧さを低減できる。
  論文  参考訳（メタデータ） (2024-07-19T10:49:26Z)
• Data-free Weight Compress and Denoise for Large Language Models [96.68582094536032]
  パラメータ行列を圧縮する手法として,データフリーなジョイントランクk近似を提案する。 キャリブレーションデータなしで、元の性能の93.43%を維持しながら80%のパラメータのモデルプルーニングを実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:51:47Z)
• Triplet Interaction Improves Graph Transformers: Accurate Molecular Graph Learning with Triplet Graph Transformers [26.11060210663556]
  本稿では,Triplet Graph Transformer(TGT)を提案する。 TGTは、まず2次元グラフから原子間距離を予測し、これらの距離を下流タスクに使用することにより、分子特性予測に適用する。
  論文  参考訳（メタデータ） (2024-02-07T02:53:06Z)
• Highly Accurate Quantum Chemical Property Prediction with Uni-Mol+ [36.61144345418364]
  量子化学(QC)特性の予測を高速化するために,Uni-Mol+と呼ばれる新しい手法を提案する。 2トラックトランスフォーマーモデルバックボーンを導入し、QC特性予測タスクでトレーニングする。 ベンチマークの結果,提案したUni-Mol+はQC特性予測の精度を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2023-03-16T07:51:34Z)
• Learning a Fourier Transform for Linear Relative Positional Encodings in Transformers [71.32827362323205]
  我々はLearner-Transformer (Learners)と呼ばれる線形変換器の新しいクラスを提案する。 様々な相対的位置エンコーディング機構(RPE)を組み込んでいる。 これらには、シーケンシャルデータに適用される正規の RPE 技術や、高次元ユークリッド空間に埋め込まれた幾何学的データを操作する新しい RPE などが含まれる。
  論文  参考訳（メタデータ） (2023-02-03T18:57:17Z)
• Machine Learning and Polymer Self-Consistent Field Theory in Two Spatial Dimensions [0.491574468325115]
  深層学習を伴う自己整合場理論シミュレーションのデータを活用する計算フレームワークを提案する。 サドル点, 局所平均モノマー密度場を効率よく正確に予測するために, GAN(Generative Adversarial Network)を導入した。 このGANアプローチは、メモリと計算コストの両方を節約する。
  論文  参考訳（メタデータ） (2022-12-16T04:30:16Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• Quaternion Factorization Machines: A Lightweight Solution to Intricate Feature Interaction Modelling [76.89779231460193]
  factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。 本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
  論文  参考訳（メタデータ） (2021-04-05T00:02:36Z)
• Non-Equilibrium Skewness, Market Crises, and Option Pricing: Non-Linear Langevin Model of Markets with Supersymmetry [0.0]
  本稿では,Langevinアプローチを用いて,市場リターンの非線形ダイナミクスの抽出可能なモデルを提案する。 ランゲヴィン力学は等価量子力学(QM)系にマッピングされる。 超対称性は、解析的に抽出可能な方法でモデルの時間依存的な解を見つけるために用いられる。
  論文  参考訳（メタデータ） (2020-11-03T01:56:06Z)

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。