論文の概要: Tube Loss based Deep Networks For Improving the Probabilistic Forecasting of Wind Speed

• arxiv url: http://arxiv.org/abs/2505.18284v1
• Date: Fri, 23 May 2025 18:29:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.322613
• Title: Tube Loss based Deep Networks For Improving the Probabilistic Forecasting of Wind Speed
• Title（参考訳）: 管損失に基づく風速確率予測のための深層ネットワーク
• Authors: Pritam Anand, Aadesh Minz, Asish Joel,
• Abstract要約: 風速予測における不確かさ定量化(UQ)は、風の本質的に揮発性の性質のため、風力発電において重要な課題である。 本稿では,風速予測に管損失関数を用いた深層学習に基づく確率予測手法について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncertainty Quantification (UQ) in wind speed forecasting is a critical challenge in wind power production due to the inherently volatile nature of wind. By quantifying the associated risks and returns, UQ supports more effective decision-making for grid operations and participation in the electricity market. In this paper, we design a sequence of deep learning based probabilistic forecasting methods by using the Tube loss function for wind speed forecasting. The Tube loss function is a simple and model agnostic Prediction Interval (PI) estimation approach and can obtain the narrow PI with asymptotical coverage guarantees without any distribution assumption. Our deep probabilistic forecasting models effectively incorporate popular architectures such as LSTM, GRU, and TCN within the Tube loss framework. We further design a simple yet effective heuristic for tuning the $\delta$ parameter of the Tube loss function so that our deep forecasting models obtain the narrower PI without compromising its calibration ability. We have considered three wind datasets, containing the hourly recording of the wind speed, collected from three distinct location namely Jaisalmer, Los Angeles and San Fransico. Our numerical results demonstrate that the proposed deep forecasting models produce more reliable and narrower PIs compared to recently developed probabilistic wind forecasting methods.
• Abstract（参考訳）: 風速予測における不確かさ定量化(UQ)は、風の本質的に揮発性の性質のため、風力発電において重要な課題である。 関連するリスクとリターンの定量化によって、UQはグリッド運用や電力市場への参加において、より効果的な意思決定を支援する。 本稿では,風速予測のための管損失関数を用いて,深層学習に基づく確率予測手法を設計する。 管損失関数は単純かつモデルに依存しない予測区間(PI)推定手法であり,分布仮定を使わずに漸近的カバレッジを保証する狭いPIを得ることができる。 我々の深層確率予測モデルは、管損失フレームワークにLSTM、GRU、TCNといった一般的なアーキテクチャを効果的に組み込む。 さらに,管損失関数の$\delta$パラメータを調整し,キャリブレーション能力を損なうことなく,より狭いPIが得られるように,簡易かつ効果的なヒューリスティックを設計する。 我々は,Jaisalmer,Los Angeles,San Fransicoの3つの異なる場所から収集した風速の時間的記録を含む3つの風速データセットを検討した。 提案した深部予測モデルにより,最近開発された確率的風速予測法と比較して,より信頼性が高く狭いPIが得られることを示す。

関連論文リスト

• Improving Predictions of Convective Storm Wind Gusts through Statistical Post-Processing of Neural Weather Models [0.07710102716793873]
  ニューラル気象モデル(NWM)の最近の進歩は、0.25degのグローバルグリッド上での大気環境の予測に、計算的に安価で高速なアプローチを提供する。 雷雨の場合、これらの環境は特定の場所で風速分布を予測するために経験的に後処理することができる。 そこでPangu-Weather NWMでは,時間ごとの風速を最大3日前に予測するために,統計的および深層学習後処理手法の階層化を適用した。
  論文  参考訳（メタデータ） (2025-03-31T18:25:35Z)
• Tube Loss: A Novel Approach for Prediction Interval Estimation and probabilistic forecasting [17.472882720712118]
  本稿では,予測区間の境界値の同時推定のための新しい損失関数「タブロス」を提案する。 管損失に基づく経験的リスクを最小化して得られたPIは、既存の方法によるPIよりも高品質であることが示されている。
  論文  参考訳（メタデータ） (2024-12-08T15:17:53Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Improving the Accuracy and Interpretability of Neural Networks for Wind Power Forecasting [42.640766130080415]
  本稿ではまず,簡単な3重最適化手法(TriOpts)を提案する。 次に、DNNの予測動作を解釈するために、置換特徴重要度(PFI)と局所解釈モデル非依存的説明(LIME)技術を提案する。
  論文  参考訳（メタデータ） (2023-12-25T14:29:09Z)
• Ultra-short-term multi-step wind speed prediction for wind farms based on adaptive noise reduction technology and temporal convolutional network [0.0]
  本研究では、データノイズ低減技術、時間畳み込みネットワーク(TCN)、ゲートリカレントユニット(GRU)に基づく新しい風速予測モデルを提案する。 提案モデルは山東省の3つの風力発電所で検証された。
  論文  参考訳（メタデータ） (2023-11-27T03:53:19Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
  狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。 導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
  論文  参考訳（メタデータ） (2022-05-22T12:16:43Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• 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)

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。