論文の概要: From Distributional to Quantile Neural Basis Models: the case of Electricity Price Forecasting

• arxiv url: http://arxiv.org/abs/2509.14113v1
• Date: Wed, 17 Sep 2025 15:55:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.910094
• Title: From Distributional to Quantile Neural Basis Models: the case of Electricity Price Forecasting
• Title（参考訳）: 分布から量子基底モデルへ:電力価格予測の場合
• Authors: Alessandro Brusaferri, Danial Ramin, Andrea Ballarino,
• Abstract要約: 本稿では,Quantile Generalized Additive Modelの解釈可能性原理を取り入れたQuantile Neural Basis Modelを紹介する。 我々は,日頭電力価格予測へのアプローチを検証し,分散および量子レグレッションニューラルネットワークに匹敵する予測性能を実現する。
• 参考スコア（独自算出の注目度）: 42.062078728472734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While neural networks are achieving high predictive accuracy in multi-horizon probabilistic forecasting, understanding the underlying mechanisms that lead to feature-conditioned outputs remains a significant challenge for forecasters. In this work, we take a further step toward addressing this critical issue by introducing the Quantile Neural Basis Model, which incorporates the interpretability principles of Quantile Generalized Additive Models into an end-to-end neural network training framework. To this end, we leverage shared basis decomposition and weight factorization, complementing Neural Models for Location, Scale, and Shape by avoiding any parametric distributional assumptions. We validate our approach on day-ahead electricity price forecasting, achieving predictive performance comparable to distributional and quantile regression neural networks, while offering valuable insights into model behavior through the learned nonlinear mappings from input features to output predictions across the horizon.
• Abstract（参考訳）: ニューラルネットワークはマルチ水平確率予測において高い予測精度を達成する一方で、特徴条件付き出力につながる基礎的なメカニズムを理解することは、予測者にとって重要な課題である。 本研究では,Quantile Generalized Additive Modelsの解釈可能性原則をエンドツーエンドのニューラルネットワークトレーニングフレームワークに取り入れたQuantile Neural Basis Modelを導入することで,この問題に対処するためのさらなる一歩を踏み出した。 この目的のために、パラメトリック分布の仮定を避けることにより、位置、スケール、形状のニューラルモデルを補完し、共有基底分解と重み分解を利用する。 我々は,本手法を日頭電力価格予測に応用し,分布型および量子回帰型ニューラルネットワークに匹敵する予測性能を達成しつつ,入力特徴から地平線を越えた出力予測への学習非線形マッピングを通してモデル行動に関する貴重な洞察を提供する。

関連論文リスト

• Imitation Learning of MPC with Neural Networks: Error Guarantees and Sparsification [5.260346080244568]
  本稿では,ニューラルネットワークを用いた模倣モデル予測制御系における近似誤差の有界化のためのフレームワークを提案する。 本稿では,この手法を用いて,性能保証付き安定型ニューラルネットワークコントローラを設計する方法について論じる。
  論文  参考訳（メタデータ） (2025-01-07T10:18:37Z)
• NBMLSS: probabilistic forecasting of electricity prices via Neural Basis Models for Location Scale and Shape [44.99833362998488]
  我々は、GAMLSSの原理的解釈可能性と、計算にスケーラブルな共有基底分解をブレンドした、位置、スケール、形状のためのニューラル基底モデルをデプロイする。 複数の市場領域で実験が行われ、分布型ニューラルネットワークに匹敵する確率論的予測性能を達成した。
  論文  参考訳（メタデータ） (2024-11-21T08:17:53Z)
• Towards Generalizable and Interpretable Motion Prediction: A Deep Variational Bayes Approach [54.429396802848224]
  本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。 このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。 動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
  論文  参考訳（メタデータ） (2024-03-10T04:16:04Z)
• Tractable Function-Space Variational Inference in Bayesian Neural Networks [72.97620734290139]
  ニューラルネットワークの予測不確かさを推定するための一般的なアプローチは、ネットワークパラメータに対する事前分布を定義することである。 本稿では,事前情報を組み込むスケーラブルな関数空間変動推論手法を提案する。 提案手法は,様々な予測タスクにおいて,最先端の不確実性評価と予測性能をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-12-28T18:33:26Z)
• From Reactive to Proactive Volatility Modeling with Hemisphere Neural Networks [0.0]
  我々は,新しいニューラルネットワークアーキテクチャを用いて,マクロ経済密度予測のための最大推定値(MLE)を再活性化する。 ヘミスフィアニューラルネットワーク(HNN)は、可能時の主指標に基づく積極的なボラティリティ予測と、必要時の過去の予測誤差の大きさに基づく反応性ボラティリティ予測を提供する。
  論文  参考訳（メタデータ） (2023-11-27T21:37:50Z)
• Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
  本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。 解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。 私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
  論文  参考訳（メタデータ） (2021-05-07T09:22:34Z)

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。