論文の概要: Online Multivariate Regularized Distributional Regression for High-dimensional Probabilistic Electricity Price Forecasting

• arxiv url: http://arxiv.org/abs/2504.02518v1
• Date: Thu, 03 Apr 2025 12:08:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-04 12:55:30.229669
• Title: Online Multivariate Regularized Distributional Regression for High-dimensional Probabilistic Electricity Price Forecasting
• Title（参考訳）: 高次元確率電力価格予測のためのオンライン多変量正規分布回帰
• Authors: Simon Hirsch,
• Abstract要約: オンライン多変量正規化分布回帰モデルを提案する。 オンライン推定では、バッチフィッティングの80倍から400倍のスピードアップが得られる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Probabilistic electricity price forecasting (PEPF) is a key task for market participants in short-term electricity markets. The increasing availability of high-frequency data and the need for real-time decision-making in energy markets require online estimation methods for efficient model updating. We present an online, multivariate, regularized distributional regression model, allowing for the modeling of all distribution parameters conditional on explanatory variables. Our approach is based on the combination of the multivariate distributional regression and an efficient online learning algorithm based on online coordinate descent for LASSO-type regularization. Additionally, we propose to regularize the estimation along a path of increasingly complex dependence structures of the multivariate distribution, allowing for parsimonious estimation and early stopping. We validate our approach through one of the first forecasting studies focusing on multivariate probabilistic forecasting in the German day-ahead electricity market while using only online estimation methods. We compare our approach to online LASSO-ARX-models with adaptive marginal distribution and to online univariate distributional models combined with an adaptive Copula. We show that the multivariate distributional regression, which allows modeling all distribution parameters - including the mean and the dependence structure - conditional on explanatory variables such as renewable in-feed or past prices provide superior forecasting performance compared to modeling of the marginals only and keeping a static/unconditional dependence structure. Additionally, online estimation yields a speed-up by a factor of 80 to over 400 times compared to batch fitting.
• Abstract（参考訳）: 確率的電力価格予測(PEPF)は、短期電力市場における市場参加者にとって重要な課題である。 高周波データの可用性の向上とエネルギー市場におけるリアルタイム意思決定の必要性は、効率的なモデル更新のためのオンライン推定方法を必要とする。 説明変数に条件付き分布パラメータをモデル化するオンライン多変量正規化分散回帰モデルを提案する。 本手法は,多変量分布回帰と,LASSO型正規化のためのオンライン座標降下に基づく効率的なオンライン学習アルゴリズムを組み合わせたものである。 さらに,多変量分布の複雑な依存構造の経路に沿って推定を規則化し,パーシモーラスな推定と早期停止を可能にすることを提案する。 我々は,オンライン推定法のみを用いて,ドイツの日頭電力市場における多変量確率予測に着目した最初の予測研究の1つを通じて,我々のアプローチを検証する。 我々は,適応的な周辺分布を持つオンラインLASSO-ARXモデルと,適応型Copulaと組み合わせたオンライン一変量分布モデルとの比較を行った。 本研究では, 平均および依存構造を含む分布パラメータのモデル化を可能にする多変量分布回帰法について, 残差のみのモデリングと静的/非条件依存構造を維持することに比べて, 再生可能インフィードや過去の価格などの説明変数を条件として, 予測性能が優れていることを示す。 さらに、オンライン推定では、バッチフィッティングの80倍から400倍のスピードアップが得られる。

関連論文リスト

• GeneralizeFormer: Layer-Adaptive Model Generation across Test-Time Distribution Shifts [58.95913531746308]
  テスト時間領域の一般化の問題は、モデルが複数のソースドメインで訓練され、トレーニング中に見たことのないターゲットドメインで調整される場合である。 textitGeneralizeFormer と呼ばれる軽量メタ学習変換器を用いて,推論中に複数の層パラメータを生成することを提案する。
  論文  参考訳（メタデータ） (2025-02-15T10:10:49Z)
• Generative Distribution Prediction: A Unified Approach to Multimodal Learning [4.3108820946281945]
  本稿では、構造的および非構造的モダリティ間の予測性能を高めるために、生成分布予測(GDP)を導入する。 GDPはモデルに依存しず、どんな高忠実な生成モデルとも互換性があり、ドメイン適応のためのトランスファーラーニングをサポートする。 我々は,4つの教師付き学習課題(タブラルデータ予測,質問応答,イメージキャプション,適応的量子回帰)におけるGDPの有効性を実証的に検証した。
  論文  参考訳（メタデータ） (2025-02-10T22:30:35Z)
• MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
  テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。 本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:02:33Z)
• Online Distributional Regression [0.0]
  大規模ストリーミングデータは、現代の機械学習アプリケーションで一般的である。 サプライチェーン管理、気象学、気象学など多くの分野が確率論的予測を用いている。 本稿では,正規化線形分布モデルのオンライン推定手法を提案する。
  論文  参考訳（メタデータ） (2024-06-26T16:04:49Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Model-based Offline Policy Optimization with Adversarial Network [0.36868085124383626]
  本稿では,新たなモデルベースオフラインポリシー最適化フレームワーク(MOAN)を提案する。 主なアイデアは、敵の学習を使って、より良い一般化を伴う遷移モデルを構築することである。 我々の手法は、広く研究されているオフラインRLベンチマークにおいて、最先端のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2023-09-05T11:49:33Z)
• Multivariate Probabilistic CRPS Learning with an Application to Day-Ahead Electricity Prices [0.0]
  本稿では,多変量確率予測を結合(あるいは集約)する新しい手法を提案する。 オンライン学習を可能にするスムーズな手続きを通じて、量子と限界の間の依存関係を考察する。 提案アルゴリズムの高速なC++実装は、CRAN上のオープンソースのR-Package profocで提供される。
  論文  参考訳（メタデータ） (2023-03-17T14:47:55Z)
• 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)
• Time varying regression with hidden linear dynamics [74.9914602730208]
  線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。 反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
  論文  参考訳（メタデータ） (2021-12-29T23:37:06Z)
• 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)
• 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)

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。