論文の概要: Two-stage residual learning for calibrated uncertainty in solar irradiance forecasts
- arxiv url: http://arxiv.org/abs/2611.07444v1
- Date: Thu, 05 Nov 2026 04:42:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.549215
- Title: Two-stage residual learning for calibrated uncertainty in solar irradiance forecasts
- Title(参考訳): 太陽照度予測における校正不確実性の2段階残差学習
- Abstract要約: 機械学習モデルは、太陽の出力を予測するためにますます使われていますが、通常は単一の値を報告し、関連する不確実性を取り除きます。
ここでは、予測誤差を予測された照射と別々にモデル化する、合成太陽信号生成を動機とする2段階法を提案する。
誤差を明示的にモデル化することで、予測された標準偏差が歴史的な値に著しく近いことを示す。
- 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: Accurate forecasting of renewable generation requires not only point predictions but also reliable estimates of the uncertainty attached to them, particularly at extended horizons. Machine learning models are increasingly used to predict solar output, but they typically report a single value and capture the associated uncertainty poorly. The standard remedy is to train a model to predict the parameters of an assumed probability distribution directly. Here we develop an alternative two-stage method, motivated by synthetic solar signal generation, in which the forecast error is modeled separately from the expected irradiance. A first long short-term memory (LSTM) network predicts the expected global horizontal irradiance, and a second network models the distribution of the forecast error, which is added back to the mean to give both the forecast and its uncertainty. Using historical weather data from the National Solar Radiation Database and a probability integral transform evaluation, we show that explicitly modeling the error brings the predicted standard deviation markedly closer to the historical value, reducing the deviation between the two by 34.6 percent for a standalone LSTM and by 56.5 percent when the LSTM is coupled to Gaussian process regression, the most reliable of the configurations tested. Because the method models the total forecast error directly, it captures the full predictive uncertainty that matters for decisions, rather than only the model contribution that dropout-based approaches estimate.
- Abstract(参考訳): 再生可能エネルギー発生の正確な予測には、点予測だけでなく、それらに付随する不確実性、特に拡張地平線での信頼性の高い推定が必要である。
機械学習モデルは、太陽の出力を予測するためにますます使われていますが、通常は単一の値を報告し、関連する不確実性を取り除きます。
標準的な治療法は、仮定された確率分布のパラメータを直接予測するためにモデルを訓練することである。
ここでは、予測誤差を予測された照射と別々にモデル化する、合成太陽信号生成を動機とする2段階法を提案する。
第1の長寿命短期記憶(LSTM)ネットワークは、予測される大域的水平光を予測し、第2のネットワークは予測誤差の分布をモデル化し、予測と不確実性の両方を与える平均に付加する。
国立太陽放射データベースによる過去の気象データと確率積分変換評価を用いて、この誤差を明示的にモデル化すると、予測標準偏差は歴史的値に著しく近くなり、LSTMがガウス過程の回帰と結合された場合、LSTMの偏差は34.6%減少し、テストされた構成のうち最も信頼性の高いものであるガウス過程の回帰に56.5%減少することを示した。
この手法は予測誤差を直接モデル化するため、ドロップアウトベースのアプローチが見積もるモデルコントリビューションだけでなく、決定に重要な完全な予測の不確実性をキャプチャする。
関連論文リスト
- TSCoNet: A Two-Stage Copula CNN-LSTM for Uncertainty-Aware Spatio-Temporal Forecasting [7.191212864694664]
TSCoNetは2段階の畳み込みリカレントモデルであり、空間と時間の複数の変数を共同で予測するガウスのコプラと結合している。
本研究では,2000~2020年の50都市を対象に,球面上の非定常空間場と月降水量と気温の実際のデータセットについて検討した。
論文 参考訳(メタデータ) (2026-07-11T17:28:53Z) - Aligning LLMs with Human Uncertainty: A Beta-Bernoulli Calibrator for LLM Forecasting [10.121727570560305]
本研究では,任意のモデルからの初期点推定予測をイベント確率上の分布に変換するBeta-Bernoulli Calibrator (BBC)を提案する。
以上の結果から,BBCは従来型の校正法やモデルよりも,より精度の高い校正・精度の予測を行っている。
論文 参考訳(メタデータ) (2026-05-26T20:39:33Z) - Uncertainty-Aware Solar Flare Regression [0.0]
現在の太陽フレア予測は、その信頼性の正確な定量化を欠くことが多く、しばしば誤報を引き起こす。
宇宙天気予報の信頼性を高めるためには,モデル予測のための信頼区間を確立することが重要である。
本研究では,宇宙天気予報における回帰作業への共形予測の適用について検討する。
論文 参考訳(メタデータ) (2026-03-05T20:23:51Z) - Two-Stage Photovoltaic Forecasting: Separating Weather Prediction from Plant-Characteristics [0.0]
本研究では,環境パラメータの天気予報モデルと植物特性モデルに分解した。
植物特性モデルのための歴史的出力データに基づいてニューラルネットワークのアンサンブルを訓練する。
その結果、衛星ベースの地中気象観測の代わりに天気予報を用いる場合、選択した2つの太陽光発電システムでは絶対誤差が11%増加し、68%上昇することがわかった。
論文 参考訳(メタデータ) (2026-03-04T14:45:58Z) - 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) - 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) - 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) - CovarianceNet: Conditional Generative Model for Correct Covariance
Prediction in Human Motion Prediction [71.31516599226606]
本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。
我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
論文 参考訳(メタデータ) (2021-09-07T09:38:24Z) - 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。