論文の概要: Diffusion-Based Scenario Tree Generation for Multivariate Time Series Prediction and Multistage Stochastic Optimization

• arxiv url: http://arxiv.org/abs/2509.14832v1
• Date: Thu, 18 Sep 2025 10:49:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.171088
• Title: Diffusion-Based Scenario Tree Generation for Multivariate Time Series Prediction and Multistage Stochastic Optimization
• Title（参考訳）: 多変量時系列予測と多段階確率最適化のための拡散に基づくシナリオツリー生成
• Authors: Stelios Zarifis, Ioannis Kordonis, Petros Maragos,
• Abstract要約: Diffusion Scenario Tree (DST) は多変量予測タスクのためのシナリオツリーを構築するための一般的なフレームワークである。 ニューヨーク州の日頭電力市場におけるエネルギー仲裁の最適化に関する枠組みを評価する。
• 参考スコア（独自算出の注目度）: 16.795461001108098
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stochastic forecasting is critical for efficient decision-making in uncertain systems, such as energy markets and finance, where estimating the full distribution of future scenarios is essential. We propose Diffusion Scenario Tree (DST), a general framework for constructing scenario trees for multivariate prediction tasks using diffusion-based probabilistic forecasting models. DST recursively samples future trajectories and organizes them into a tree via clustering, ensuring non-anticipativity (decisions depending only on observed history) at each stage. We evaluate the framework on the optimization task of energy arbitrage in New York State's day-ahead electricity market. Experimental results show that our approach consistently outperforms the same optimization algorithms that use scenario trees from more conventional models and Model-Free Reinforcement Learning baselines. Furthermore, using DST for stochastic optimization yields more efficient decision policies, achieving higher performance by better handling uncertainty than deterministic and stochastic MPC variants using the same diffusion-based forecaster.
• Abstract（参考訳）: 確率予測は、将来のシナリオの完全な分布を推定するエネルギー市場や金融といった不確実なシステムにおいて、効率的な意思決定に不可欠である。 拡散確率予測モデルを用いた多変量予測タスクのためのシナリオツリー構築のための一般的なフレームワークである拡散シナリオツリー(DST)を提案する。 DSTは、将来の軌跡を再帰的にサンプリングし、クラスタリングを通じてツリーに整理し、各ステージにおける非予測性(観測履歴のみに依存する決定)を保証する。 ニューヨーク州の日頭電力市場におけるエネルギー仲裁の最適化に関する枠組みを評価する。 実験結果から,従来のモデルとモデルフリー強化学習ベースラインのシナリオ木を用いた最適化アルゴリズムを一貫して上回る結果が得られた。 さらに、確率最適化にDSTを用いることで、同じ拡散ベースの予測器を用いた決定的および確率的MPC変種よりも不確実性に対処することで、より効率的な決定ポリシーが得られる。

関連論文リスト

• Diffusion-Based Forecasting for Uncertainty-Aware Model Predictive Control [22.60091645818101]
  部分的に観測可能なシステムにおける不確実性を考慮した予測と意思決定のための一般的なフレームワークである拡散インフォームドモデル予測制御(DI MPC)を提案する。 本手法では,拡散に基づく時系列予測モデルを用いて,システムのコンポーネントの進化を確率論的に推定する。 本稿は,ニューヨーク州の日々の電力市場において,バッテリ・エナジー・ストレージ・システム(バッテリー・エナジー・ストレージ・システム)が参加するエネルギー仲裁の課題に関する枠組みを評価するものである。
  論文  参考訳（メタデータ） (2025-03-19T10:48:26Z)
• Decision-Focused Fine-Tuning of Time Series Foundation Models for Dispatchable Feeder Optimization [0.5808168734833972]
  我々は、時系列基礎モデルにおける決定中心の微調整を用いて、ディスパッチ可能なフィードア最適化問題に対するスケーラブルで効率的なソリューションを提供する。 少ない建築データに対するより堅牢な予測を得るために,モイライを最先端の基礎モデルとして用いている。 意思決定に焦点を絞ったモイライと最先端の古典的な予測に焦点をあてたモイライを比較すると、平均的な日費の9.45%の改善が観察できる。
  論文  参考訳（メタデータ） (2025-03-03T07:47:20Z)
• Global-Decision-Focused Neural ODEs for Proactive Grid Resilience Management [50.34345101758248]
  本稿では,機能停止予測とグローバルに最適化された介入を統合するフレームワークPATOGを提案する。 提案手法は,空間的かつ時間的に整合性のある意思決定を保証し,予測精度と操作効率を両立させる。 合成および実世界のデータセットの実験では、停止予測一貫性とグリッドレジリエンスが大幅に改善された。
  論文  参考訳（メタデータ） (2025-02-25T16:15:35Z)
• Ensemble Prediction via Covariate-dependent Stacking [0.0]
  本研究は,CDST (Co-dependent stacking') という,アンサンブル予測の新しい手法を提案する。 従来の積み重ね方式とは異なり、CDSTはモデルウェイトを共変量の関数として柔軟に変化させ、複雑なシナリオにおける予測性能を向上させる。 以上の結果から,CDSTは時間的・時間的予測の問題に特に有用であり,様々なデータ分析分野の研究者や実践者にとって強力なツールとなることが示唆された。
  論文  参考訳（メタデータ） (2024-08-19T07:31:31Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Deep-Ensemble-Based Uncertainty Quantification in Spatiotemporal Graph Neural Networks for Traffic Forecasting [2.088376060651494]
  本稿では,短期交通予測のための最先端手法である拡散畳み込みリカレントニューラルネットワーク(DCRNN)に注目した。 我々はDCRNNの不確実性を定量化するスケーラブルなディープアンサンブル手法を開発した。 我々の汎用的かつスケーラブルなアプローチは、現在最先端のベイズ的手法や、多くの一般的な頻繁な手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-04T16:10:55Z)
• 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 electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

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。