論文の概要: Regime-Aware Conditional Neural Processes with Multi-Criteria Decision Support for Operational Electricity Price Forecasting

• arxiv url: http://arxiv.org/abs/2508.00040v1
• Date: Thu, 31 Jul 2025 09:12:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-04 18:08:53.596781
• Title: Regime-Aware Conditional Neural Processes with Multi-Criteria Decision Support for Operational Electricity Price Forecasting
• Title（参考訳）: 演算電力価格予測のためのマルチクリトリア決定型条件付きニューラルプロセス
• Authors: Abhinav Das, Stephan Schlüter,
• Abstract要約: この研究は、ドイツ市場における24時間電気価格予測のための状態検出と条件付きニューラルプロセスを統合する。 ディープニューラルネットワーク(DNN)とLassoの推定自己回帰(LEAR)モデルに対してR-NPを厳格に評価した。 R-NPモデルは2021年、2022年、2023年に最もバランスよく好まれる解として登場した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work integrates Bayesian regime detection with conditional neural processes for 24-hour electricity price prediction in the German market. Our methodology integrates regime detection using a disentangled sticky hierarchical Dirichlet process hidden Markov model (DS-HDP-HMM) applied to daily electricity prices. Each identified regime is subsequently modeled by an independent conditional neural process (CNP), trained to learn localized mappings from input contexts to 24-dimensional hourly price trajectories, with final predictions computed as regime-weighted mixtures of these CNP outputs. We rigorously evaluate R-NP against deep neural networks (DNN) and Lasso estimated auto-regressive (LEAR) models by integrating their forecasts into diverse battery storage optimization frameworks, including price arbitrage, risk management, grid services, and cost minimization. This operational utility assessment revealed complex performance trade-offs: LEAR often yielded superior absolute profits or lower costs, while DNN showed exceptional optimality in specific cost-minimization contexts. Recognizing that raw prediction accuracy doesn't always translate to optimal operational outcomes, we employed TOPSIS as a comprehensive multi-criteria evaluation layer. Our TOPSIS analysis identified LEAR as the top-ranked model for 2021, but crucially, our proposed R-NP model emerged as the most balanced and preferred solution for 2021, 2022 and 2023.
• Abstract（参考訳）: この研究は、ベイズ体制の検出と条件付きニューラルプロセスを統合し、ドイツの市場で24時間電気価格予測を行う。 本手法は, 日々の電力価格に適応する不整合型階層型ディリクレ隠れマルコフモデル (DS-HDP-HMM) を用いて, 状態検出を統合する。 その後、それぞれの状態は独立した条件付きニューラルプロセス(CNP)によってモデル化され、入力コンテキストから24次元の時間的価格軌道への局所的なマッピングを学習するように訓練され、最終的な予測はこれらのCNP出力の状態重み付け混合として計算される。 R-NPを深層ニューラルネットワーク(DNN)とLassoの推定自己回帰(LEAR)モデルに対して厳格に評価し、その予測を、価格調停、リスク管理、グリッドサービス、コスト最小化など、多様なバッテリーストレージ最適化フレームワークに統合することにより、評価を行う。 LEARは優れた絶対的な利益やコストの低減をしばしば得る一方、DNNは特定のコスト最小化の文脈において例外的な最適性を示した。 そこで我々はTOPSISを総合的な多基準評価層として利用した。 我々のTOPSIS分析では2021年のトップランクモデルとしてLEARを同定したが、2021年、2022年、2023年で最もバランスのとれたR-NPモデルとして提案された。

関連論文リスト

• Generalized Linear Bandits: Almost Optimal Regret with One-Pass Update [60.414548453838506]
  非線形リンク関数を組み込んで古典線形モデルを拡張したコンテキスト型多武装バンディットフレームワークである一般化線形バンディット問題(GLB)について検討する。 GLBは現実世界のシナリオに広く適用できるが、その非線形性は計算効率と統計効率の両方を達成する上で大きな課題をもたらす。 本稿では,$mathcalO(1)$時間と1ラウンドあたりの空間複雑度をほぼ最適に再現するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-07-16T02:24:21Z)
• Supervised Optimism Correction: Be Confident When LLMs Are Sure [91.7459076316849]
  教師付き微調整とオフライン強化学習の間には,新たな理論的関係が確立されている。 広く使われているビームサーチ法は、許容できない過度な最適化に悩まされていることを示す。 本稿では,トークンレベル$Q$-value推定のための簡易かつ効果的な補助的損失を導入したSupervised Optimism Correctionを提案する。
  論文  参考訳（メタデータ） (2025-04-10T07:50:03Z)
• Benign Overfitting in Out-of-Distribution Generalization of Linear Models [19.203753135860016]
  我々は、アウト・オブ・ディストリビューション(OOD)体制における良心過剰の理解に向けて、最初の一歩を踏み出した。 我々は、標準的な隆起回帰において良性過剰適合が生じることを証明する非漸近保証を提供する。 また、より一般的な目標共分散行列の族についても理論的結果を示す。
  論文  参考訳（メタデータ） (2024-12-19T02:47:39Z)
• Sample-efficient Learning of Infinite-horizon Average-reward MDPs with General Function Approximation [53.17668583030862]
  一般関数近似の文脈において,無限水平平均逆マルコフ決定過程(AMDP)について検討する。 最適化最適化(LOOP)と呼ばれる新しいアルゴリズムフレームワークを提案する。 我々は LOOP がサブ線形 $tildemathcalO(mathrmpoly(d, mathrmsp(V*)) sqrtTbeta )$ regret を達成することを示す。
  論文  参考訳（メタデータ） (2024-04-19T06:24:22Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
  本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。 タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
  論文  参考訳（メタデータ） (2023-02-15T04:14:20Z)
• Predictive Accuracy of a Hybrid Generalized Long Memory Model for Short Term Electricity Price Forecasting [0.0]
  本研究では、一般化長メモリ自己回帰モデル(k-factor GARMA)に基づく新しいハイブリッドモデルの予測性能について検討する。 提案モデルの性能を北プール電力市場のデータを用いて評価した。
  論文  参考訳（メタデータ） (2022-04-18T12:21:25Z)
• Convolutional-Recurrent Neural Network Proxy for Robust Optimization and Closed-Loop Reservoir Management [0.0]
  畳み込みリカレントニューラルネットワーク(CNN-RNN)プロキシモデルを開発した。 この能力は、頑健な最適化に必要な目的関数と非線形制約値の推定を可能にする。
  論文  参考訳（メタデータ） (2022-03-14T22:11:17Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• Wholesale Electricity Price Forecasting using Integrated Long-term Recurrent Convolutional Network Model [0.0]
  本稿では、電力価格を予測するための長期再帰畳み込みネットワーク(ILRCN)モデルを提案する。 ケーススタディでは、提案したILRCNモデルが電気価格予測において正確かつ効率的であることが判明した。
  論文  参考訳（メタデータ） (2021-12-23T06:45:12Z)
• Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
  高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。 我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。 また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
  論文  参考訳（メタデータ） (2021-07-02T16:21:52Z)
• COVID-19 forecasting based on an improved interior search algorithm and multi-layer feed forward neural network [0.0]
  今後数日で確認された新型コロナウイルスの症例を分析し、予測する新たな予測モデルが提示される。 ISACL-MFNNモデルは、カオス学習(CL)戦略に基づく改良された内部探索アルゴリズム(ISA)を多層フィードフォワードニューラルネットワーク(MFNN)に統合する。 提案されたモデルは最も影響の大きい国(米国、イタリア、スペイン)で調査されている。
  論文  参考訳（メタデータ） (2020-04-06T12:08:10Z)

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。