The application of sub-seasonal to seasonal (S2S) predictions for hydropower forecasting
入库流量预报在水电站水库管理中起着至关重要的作用。预测帮助运营商提前安排发电，以最大限度地提高经济价值，减轻下游洪水风险，并满足环境要求。业务入流预报的范围通常限于未来2周，这标志着确定性天气预报的可预测性障碍。可靠的次季节至季节（S2S）范围内的流入预测将使运营商能够采取积极行动，以减轻不利天气条件的风险，从而改善水资源管理并增加收入。本研究概述了一种方法，得出熟练的S2S流入预测使用的案例研究水库在苏格兰高地。我们通过训练一个线性回归模型，将观测到的流入量与欧洲中期天气预报中心（ECMWF）的S2S集合降水预测相结合，生成集合流入量预测。随后，后处理技术，从Enhancement模型输出统计得出校准的S2S概率入流预测，没有一个单独的水文模型的应用程序。我们发现，S2S概率流入预测持有技能相对于气候预测长达6周。与夏季相比，冬季的入流预测具有更高的技巧。然而，这些预测很难预测夏季的高流入量，即使是在很短的筹备时间内。使用程式化的成本模型，证实了S2S概率流入预测，以改善水资源管理和提供更高的经济价值的潜力。虽然应用于水电预测，这里提出的结果和方法是相关的水资源管理和S2S预测应用的更广泛的领域。
2021-08-13 stat.AP
Forecasting Soil Moisture Using Domain Inspired Temporal Graph Convolution Neural Networks To Guide Sustainable Crop Management
IBM Research（IBM研究院）；Sandia National Lab（桑迪亚国家实验室）；Texas A&M（德克萨斯A&M大学）；IBM Corporate Social Responsibility（IBM企业社会责任部）
气候变化、人口增长和水资源短缺给农业带来了前所未有的挑战。该项目旨在利用领域知识和机器学习预测土壤湿度，以制定作物管理决策，实现可持续农业。预测水文响应特征的传统方法需要大量的计算时间和专业知识。最近的工作已经实现了机器学习模型作为预测水文响应功能的工具，但这些模型忽略了传统水文建模的一个重要组成部分，即空间上接近的单元可能具有截然不同的水文响应。在传统的水文模拟中，具有相似水文特性的单元被分组在一起，并且共享模型参数，而不管它们在空间上的接近程度。受这一领域知识的启发，我们构造了一个新的领域启发的时间图卷积神经网络。我们的方法涉及聚类单位的基础上随时间变化的水文特性，构建每个集群的图形拓扑结构，并预测土壤湿度使用图卷积和门控经常性神经网络。在美国东北部的一项案例研究中，我们对由大约99，000个水文响应单元组成的现场规模时间序列数据进行了训练，验证和测试。与现有模型的比较说明了使用领域启发聚类与时间序列图神经网络的有效性。该框架正在作为公益性社会影响方案的一部分部署。经过训练的模型正在德克萨斯州中部的小农场部署。
2022-12-12 cs.LG stat.AP
Probabilistic Forecasting of Regional Net-load with Conditional Extremes and Gridded NWP
嵌入式可再生能源的日益普及使得预测净负荷，消耗较少的嵌入式发电成为一个重大且日益增长的挑战。在这里，提出了一个框架，用于产生净负荷的概率预测，特别注意预测分布的尾部，这是管理与低概率事件相关的风险所需的。根据定义，尾部只有少量数据可用，因此需要特别注意预测模型的估计和预测评估。我们提出了一个解决方案的基础上，最好的同类负荷预测方法，适用于净负荷，和模型的尾部预测分布与广义帕累托分布，允许其参数变化平稳的函数的协变量。由此产生的预测被证明是校准和尖锐比无条件的尾部分布。在基于储备设置的用例启发评估练习中，条件尾部被证明可以减少管理给定风险所需的储备总量。此外，它们还确定了其他方法无法捕捉的高风险时期。因此，所提出的方法使用户能够既降低成本又避免过度风险。
2021-06-25 stat.AP
Applying economic measures to lapse risk management with machine learning approaches
保单持有人失效行为的建模对寿险公司来说是非常重要的，因为失效会影响定价、准备金、盈利能力、流动性、风险管理以及保险公司的偿付能力。根据欧洲保险和职业养老金管理局的量化影响研究QIS5，失效风险确实是最重要的人寿保险风险。在本文中，我们介绍了两个先进的机器学习算法的延时建模。然后，我们评估不同的算法的性能，通过经典的统计精度和盈利能力的措施。此外，我们采取了创新的角度对失效预测问题，来自流失管理。我们将分类问题转化为回归问题，然后进行优化，这是失效风险管理的新方法。我们将不同的算法应用于一个大型的真实世界的保险数据集。我们的研究结果表明，XGBoost和SVM优于CART和逻辑斯谛回归，特别是在经济验证度量方面。改造后的优化带来了经济效益的显着和一致的增加。
2019-06-12 stat.AP
Comparison of forecasting of the risk of coronavirus (COVID 19) in high quality and low quality healthcare systems, using ANN models
COVID 19是一种在全球170多个国家发生异常的疾病。在几乎所有受影响的国家，受感染的人数（生病或死亡）一直在以令人担忧的比例增长。预测程序可以指导，以便帮助策划井计划和迷人的创造性结论。这些程序测量了以前的条件，从而允许在未来出现的状态周围的良好预测。这些预测的力量有助于使可能的压力和意义的矛盾。预测程序的产生是弹性精确预测的一个重要特征.在这个案例研究中，使用了两个模型，以便通过比较输出来诊断最佳方法。本研究将预测程序引入人工神经网络模型，并与回归模型进行比较。从2019年5月28日至2019年7月28日期间从Al Kindy教学医院收集的数据显示了预测的积极作用。疾病的预测可以根据几个参数进行，例如年龄，性别，每日感染人数，患有其他疾病的患者人数和死亡人数。然而，预测程序是由他们的私人测试数据产生的。这项研究讨论了这些测试，并为目前敌视全球COVID 19疾病的人提供了一系列建议。
2021-07-16 stat.AP stat.CO
Macroeconomic forecasting and sovereign risk assessment using deep learning techniques
在这项研究中，我们提出了一种使用深度学习技术进行临近预报和预测一个国家宏观经济状况的新方法。我们特别关注美国经济，但该方法也适用于其他经济体。特别是美国经济在2008年至2010年遭受了严重的衰退，这实际上打破了传统的计量经济学模型的尝试。深度学习的优势在于，它可以同时对所有宏观变量进行建模，同时考虑到它们之间的所有相互依赖性，并检测在单变量建模框架下无法轻松解决的非线性模式。我们的实证结果表明，与传统的计量经济学技术（如贝叶斯模型平均（BMA））相比，深度学习方法具有更好的样本外性能。因此，我们的研究结果提供了一个更强大的方法来评估主权风险，这是一个重要组成部分，在投资和货币决策的简洁视图。
2023-01-24 q-fin.CP stat.AP
Demand forecasting in hospitality using smoothed demand curves
预测需求是一个成功的收入管理系统在酒店的基本组成部分之一。该行业需要可理解的模型，有助于收入管理部门做出数据驱动的决策。数据分析和预测证明了在登记日期之前的时间内的重要作用，这一日期在一周中的每一天都不同。本文旨在提供一个新的模型，它的灵感来自三次平滑样条，导致平滑的需求曲线，每个费率类随着时间的推移，直到入住日期。该模型调节数据点和平滑曲线之间的误差，因此能够捕捉自然的客人行为。预测是通过求解线性规划模型，使行业知识的约束形式纳入。使用来自一家大型连锁酒店的数据，获得了较低的误差和13.3%的收入。
2021-11-05 stat.AP
Coping with area price risk in electricity markets: Forecasting Contracts for Difference in the Nordic power market
差价合约（CfD）是区域价格和系统价格之间价差的远期。这些产品与系统价格远期一起用于对冲北欧电力市场的区域价格风险。CfD通常在接下来的两个月，三个季度和三年内可用。这是好的，除了CfD不是在纳斯达克OMX商品交易的每一个北池现货价格区。因此，我们提出一个假设性的问题：如果CfD被交易，那么在价格区域NO2中，CfD的市场价格会是多少？我们为每个可观察的价格区域建立回归模型，并使用贝叶斯启发技术来获得关于不同价格区域如何相似的先验信息，以预测CfD不交易的区域的价格。
2014-06-26 q-fin.ST stat.AP
Spatial Weather, Socio-Economic and Political Risks in Probabilistic Load Forecasting
本文提出基于GAM的可解释中期概率小时负荷预测模型，纳入空间天气及跨国社会经济与政治风险，揭示极端天气下电采暖依赖国家的脆弱性。
2024-12-04 cs.CE econ.GN q-fin.EC
Optimal probabilistic forecasts for risk management
本文探讨了产生的预测分布，根据相关的金融风险管理的评分规则进行优化的影响。我们评估了潜在错误指定模型的最优预测的预测性能，用于i）风险价值和预期损失预测; ii）预测VIX波动率指数，用于涉及VIX期货的对冲策略。我们的实证结果表明，校准的预测分布使用的分数，奖励极端回报的准确预测提高了风险价值和ES预测。尾部为重点的预测分布也被证明可以在使用VIX期货的对冲策略中产生更好的结果。
2023-03-03 q-fin.ST stat.AP
Minimizing post-shock forecasting error through aggregation of outside information
我们开发了一种预测方法，为最近经历了冲击的时间序列提供可靠的预测。我们通过借鉴其他经历过类似冲击的时间序列的知识来实现这一点，并观察到冲击后的结果。三个冲击效应估计的动机，以最大限度地减少平均预测风险的目的。我们提出了降低风险的建议，这些建议提供了建立我们的方法有效的条件。Bootstrap和留一交叉验证程序提供前瞻性评估我们的方法的性能。最后给出了几个模拟数据实例和一个预测康菲石油公司股票价格的实际数据实例。
2020-08-26 stat.AP stat.ME
Dynamic Bayesian regression quantile synthesis for forecasting outlook-at-risk
Meiji University（明治大学）；Keio University（庆应义塾大学）；Nagoya University（名古屋大学）
本文提出动态贝叶斯回归分位数合成方法，通过引入时间变化的潜在因子结构，提升多变量时间序列的分位数预测性能。
2026-03-12 stat.AP stat.ME
Weather-Related Crash Risk Forecasting: A Deep Learning Approach for Heterogenous Spatiotemporal Data
Gresham Smith（格雷厄姆·史密斯公司）；University of Mississippi（密西西比大学）
本文提出了一种基于集合ConvLSTM的深度学习方法，用于预测与天气相关的交通碰撞风险，通过异质时空数据有效降低预测误差。
2026-03-04 cs.LG stat.AP
Hydrological time series forecasting using simple combinations: Big data testing and investigations on one-year ahead river flow predictability
National Technical University of Athens（雅典国家技术大学）；Hellenic Air Force（希腊空军）
提供有用的水文预报对于城市和农业用水管理、水力发电、洪水保护和管理、减轻和缓解干旱以及河流流域规划和管理等至关重要。在这项工作中，我们提出和评估一个新的简单而灵活的水文时间序列预测方法。这种方法依赖于（a）至少两种单独的预测方法和（b）预测的中值组合。该评价是通过使用一个大的数据集，包括90年的平均年径流量的时间序列，从大约600站。这些监测站覆盖北美和欧洲的大部分地区，代表了各种气候和集水特征，因此可以共同支持基准测试。对每个时间序列应用了五种单独的预测方法和26种所介绍方法的变体。应用是在一步提前预测模式。个别方法是最后一次观察基准，简单指数平滑，复杂指数平滑，自动自回归分数积分移动平均（ARFIMA）和Facebook的先知，而26种变体是由上述五种方法的所有可能组合（每两种，三种，四种或五种）定义的。新的方法被确定为长期表现良好，特别是当两个以上的个人预测方法结合在其框架内。此外，在系统框架内的不同的水文预报方法的情况下知情的集成的可能性进行了算法研究和讨论。相关的调查包括线性回归分析，其目的是找到一个有代表性的预测性能指标的值和选定的河流流量统计值之间的可解释的关系.
2020-08-18 cs.LG stat.AP stat.ME
On Game-Theoretic Risk Management (Part Three) - Modeling and Applications
Universität Klagenfurt, Institute of Applied Informatics（克拉根福大学应用信息学研究所）
本文基于前两部分理论，探讨如何将博弈论风险管理理论整合到风险管理体系中，通过非参数损失模型构建及ISO 27000流程应用，展示其在高级持续威胁和社会工程中的实践价值。
2017-11-02 econ.GN math.ST q-fin.EC
