論文の概要: Analyzing Uncertainty Quantification in Statistical and Deep Learning Models for Probabilistic Electricity Price Forecasting

• arxiv url: http://arxiv.org/abs/2509.19417v2
• Date: Mon, 06 Oct 2025 09:55:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 14:28:10.757227
• Title: Analyzing Uncertainty Quantification in Statistical and Deep Learning Models for Probabilistic Electricity Price Forecasting
• Title（参考訳）: 確率的電力価格予測のための統計的および深層学習モデルの不確かさ定量化分析
• Authors: Andreas Lebedev, Abhinav Das, Sven Pappert, Stephan Schlüter,
• Abstract要約: 本研究では,最先端統計・深層学習確率予測モデルにおける不確実性の定量化について検討する。 我々は、ディープ分散ニューラルネットワーク(DDNN)を考察し、それらをアンサンブルアプローチ、モンテカルロ(MC)ドロップアウト、共形予測で強化する。 様々な性能指標から、LEARベースのモデルは確率的予測において良好に機能することがわかった。
• 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: Precise probabilistic forecasts are fundamental for energy risk management, and there is a wide range of both statistical and machine learning models for this purpose. Inherent to these probabilistic models is some form of uncertainty quantification. However, most models do not capture the full extent of uncertainty, which arises not only from the data itself but also from model and distributional choices. In this study, we examine uncertainty quantification in state-of-the-art statistical and deep learning probabilistic forecasting models for electricity price forecasting in the German market. In particular, we consider deep distributional neural networks (DDNNs) and augment them with an ensemble approach, Monte Carlo (MC) dropout, and conformal prediction to account for model uncertainty. Additionally, we consider the LASSO-estimated autoregressive (LEAR) approach combined with quantile regression averaging (QRA), generalized autoregressive conditional heteroskedasticity (GARCH), and conformal prediction. Across a range of performance metrics, we find that the LEAR-based models perform well in terms of probabilistic forecasting, irrespective of the uncertainty quantification method. Furthermore, we find that DDNNs benefit from incorporating both data and model uncertainty, improving both point and probabilistic forecasting. Uncertainty itself appears to be best captured by the models using conformal prediction. Overall, our extensive study shows that all models under consideration perform competitively. However, their relative performance depends on the choice of metrics for point and probabilistic forecasting.
• Abstract（参考訳）: エネルギーリスク管理には正確な確率予測が基本であり、この目的のために統計モデルと機械学習モデルの両方が幅広く存在する。 これらの確率モデルに従属することは不確実な定量化の一形態である。 しかし、ほとんどのモデルは、データ自体だけでなく、モデルや分布の選択からも生じる不確実性の全範囲を捉えていない。 本研究では,ドイツ市場における電力価格予測のための最先端統計・ディープラーニング確率予測モデルの不確実性定量化について検討した。 特に、深部分布ニューラルネットワーク(DDNN)を考察し、それらをアンサンブルアプローチ、モンテカルロ(MC)ドロップアウト、モデルの不確実性を考慮したコンフォメーション予測により強化する。 さらに、LASSO推定自己回帰(LEAR)アプローチと、量的回帰平均化(QRA)、一般化自己回帰的条件付きヘテロスケダスティック性(GARCH)、共形予測について考察する。 様々な性能指標において,不確実な定量化手法にかかわらず,LEARに基づくモデルは確率的予測において良好に機能することがわかった。 さらに、DDNNは、データとモデルの不確実性の両方を取り入れることで、ポイントと確率予測の両方を改善することができる。 不確実性自体は、共形予測を用いてモデルによって最もよく捉えられているようである。 全体として、我々の広範な研究は、検討中のすべてのモデルが競争力を発揮していることを示している。 しかし、それらの相対的な性能は、点と確率予測のメトリクスの選択に依存する。

関連論文リスト

• Uncertainty Quantification in Probabilistic Machine Learning Models: Theory, Methods, and Insights [24.70625174929573]
  予測の信頼性を評価するには、不確実性定量化(UQ)が不可欠である。 本稿では,確率論的モデルにおける疫学的およびアレター的不確実性を推定するための体系的枠組みを提案する。 我々は,UQの理論的定式化を導き,モンテカルロサンプリングに基づく推定法を提案し,不確実性推定の影響を評価する実験を行った。
  論文  参考訳（メタデータ） (2025-09-07T00:38:33Z)
• Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
  単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。 本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。 新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
  論文  参考訳（メタデータ） (2023-07-19T12:11:15Z)
• Quantifying Deep Learning Model Uncertainty in Conformal Prediction [1.4685355149711297]
  コンフォーマル予測(Conformal Prediction)は、モデルの不確実性を表現するための有望なフレームワークである。 本稿では,最先端CP手法とその理論的基礎について考察する。
  論文  参考訳（メタデータ） (2023-06-01T16:37:50Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Probabilistic Deep Learning to Quantify Uncertainty in Air Quality Forecasting [5.007231239800297]
  この研究は、空気質予測の現実的な設定における不確実性定量化の最先端技術を適用した。 本稿では,経験的性能,信頼度推定の信頼性,実用性に基づいて,トレーニング確率モデルを記述し,予測の不確実性を評価する。 本実験は,データ駆動空気質予測の不確かさの定量化において,提案モデルが従来よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-12-05T17:01:18Z)
• Evaluation of Machine Learning Techniques for Forecast Uncertainty Quantification [0.13999481573773068]
  アンサンブル予測は、これまでのところ、関連する予測を生成するための最も成功したアプローチであり、その不確実性を見積もっている。 アンサンブル予測の主な制限は、高い計算コストと異なる不確実性の源を捕捉し定量化することの難しさである。 本研究は,1つの決定論的予測のみを入力として,システムの修正状態と状態不確かさを予測するために訓練されたANNの性能を評価するための概念モデル実験である。
  論文  参考訳（メタデータ） (2021-11-29T16:52:17Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• 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)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。