Expectile regression averaging method for probabilistic forecasting of electricity prices
本文提出一种结合点预测平均与 expectile 回归的电价概率预测新方法,应用于德国日前市场并验证其优于 quantile 方法,同时指出建模前需进行方差稳定变换。
2024-02-12 stat.AP
Seamless short- to mid-term probabilistic wind power forecasting
本文提出一种整合天气预报与天气—功率转换两类不确定性的概率风电预测方法,在6至162小时预见期实现先进性能,并揭示不同风电场及海陆场景的不确定性主导转换规律。
2025-02-17 stat.AP
Post-processing numerical weather prediction ensembles for probabilistic solar irradiance forecasting
为了实现向可再生能源的过渡,概率性能源预测对于将诸如太阳能之类的不稳定电源并入电网至关重要。太阳能预测方法通常旨在提供太阳辐照度的概率预测。特别是,许多混合方法将数值天气预报模型的物理信息与统计方法相结合。尽管物理模型可以在当天和前一天的预报范围内提供有用的信息,但多个模型运行的集合天气预报往往没有校准,并显示出系统性偏差。我们提出了一个后处理模型的集合天气预报的太阳辐照度在30分钟和6小时之间的时间分辨率。所提出的模型提供概率预测的形式审查的逻辑概率分布的交货时间长达5天,并在两个案例研究,包括不同的物理模型,地理区域,时间分辨率,和类型的太阳辐照度进行评估。我们发现,后处理一致,显着提高了集合预测的预测性能,至少提前48小时,并能够很好地纠正系统缺乏校准。
2021-03-02 stat.AP
Probabilistic wind speed forecasting in Hungary
各种天气量的预测大多是基于确定性数值天气预报模式。这些模型在不同的初始条件下多次运行,产生了用于估计未来天气量分布的预测集合。然而,合奏通常是欠分散和未校准的,因此需要后处理。在目前的工作中,贝叶斯模型平均(BMA)适用于校准合奏的风速预测的业务有限区域模型包围预测系统的匈牙利气象服务(HMS)。我们描述了两种可能的BMA模型的HMS的风速数据,并表明,BMA后处理显着提高了校准和精度的预测。
2013-01-07 stat.AP
Probabilistic Forecasting of Temporal Trajectories of Regional Power Production - Part 2: Photovoltaic Solar
我们提出了一个完全概率预测模型的空间聚集的太阳能光伏(PV)发电生产在每小时的时间尺度与前置时间长达几天,使用天气预报数值天气预报系统作为协变量。经过适当的对数变换的功率生产,我们开发了一个多变量高斯预测模型下的贝叶斯推断框架。该模型结合了时间误差相关性,产生物理上一致的预测轨迹。提出了几种配方的相关结构和调查。我们的方法是为数不多的方法之一,发布完整的预测分布光伏发电。在德国光伏发电的案例研究中,该方法给出了校准和熟练的预测。
2019-03-04 stat.AP
A Multi-model Combination Approach for Probabilistic Wind Power Forecasting
Shandong University(山东大学);Zhejiang University(浙江大学);Argonne National Laboratory(阿贡国家实验室);Tsinghua University(清华大学)
短期概率风电功率预测可以为电力系统运行和控制提供关键的量化的风电功率不确定性信息。由于风电功率预测误差的复杂性,很难开发出一种通用的预测模型来优于其他替代模型。因此,本文提出了一种新的多模型组合(MMC)方法的短期概率风力发电预测,利用不同的预测模型的优点。该方法可以结合不同的预测模型,提供不同的概率密度函数,以提高概率预测精度。采用基于稀疏贝叶斯学习、核密度估计和贝塔分布拟合的概率预测模型构成组合模型。MMC模型的参数求解基于贝叶斯框架。数值试验表明了所提出的MMC方法的有效性。
2017-02-13 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
Comparison of nonhomogeneous regression models for probabilistic wind speed forecasting
在天气预报中,非齐次回归用于统计后处理预报集合,以获得校准的预测分布。对于风速预测,回归模型由截断的正态分布给出,其中位置和扩散来自集合。本文提出了两种替代方法,利用广义极值(GEV)分布。截断正态回归的一个直接替代方法是应用来自GEV家族的预测分布,而基于预测集合中值的状态切换方法结合了这两种分布。在德国每日最大风速与欧洲中期天气预报中心的预报集合的案例研究中,所有三种方法都提供了校准和尖锐的预测分布与政权切换的方法显示出最高的技能在上尾。
2013-05-09 stat.AP
Probabilistic forecasting of bus travel time with a Bayesian Gaussian mixture model
准确预测公交车行程时间及其不确定性对服务质量和公交系统的运营至关重要;例如,它可以帮助乘客更好地决定出发时间,路线选择,甚至运输模式选择,还可以支持公交运营商在诸如机组/车辆调度和调度等任务上做出明智的决策。然而,大多数现有的方法在公共汽车旅行时间预测是基于确定性模型,只提供点估计。为此,本文提出了一种公交车行程时间的贝叶斯概率预测模型。为了表征连续公交车之间的强依赖性/相互作用,我们将一对相邻公交车的路段行程时间向量和车头时距向量连接起来作为一个新的增广变量,并用约束多元高斯混合分布对其进行建模。这种方法可以自然地捕获相邻总线之间的交互(例如,相关速度和车头时距的平滑变化),处理数据中的缺失值,并描绘公交车旅行时间分布的多峰性。接下来,我们假设一天中的不同时段共享同一组高斯分量,但不同的混合系数来表征公交运营中的系统性时间变化。在模型推断方面,我们发展了一种有效的马尔可夫链蒙特卡罗(MCMC)抽样算法,以获得模型参数的后验分布并进行概率预测。我们测试所提出的模型使用的数据,从20链接的公交线路在广州,中国。结果表明,我们的方法显着优于基线模型,忽略总线到总线的相互作用方面的预测手段和分布。除了预测,所提出的模型的参数包含丰富的信息,了解/改善巴士服务。
2022-06-14 stat.AP
Probabilistic load forecasting for the low voltage network: forecast fusion and daily peaks
能源消费的短期预测对于能源系统的运作,包括低压电网的运作,是非常宝贵的。然而,网络负载是具有挑战性的预测时,高度去隔离到少数客户,这可能是由个人行为,而不是与总消费相关联的平滑配置文件为主。此外,配电网络几乎完全受到峰值负荷的挑战,并且诸如调度存储和/或需求灵活性之类的任务可能由预测的峰值需求驱动,这是通用预测方法通常难以表征的特征。在这里,我们提出了一种方法来预测的时间和水平的每日高峰需求,和数据融合过程相结合的常规和高峰预测,以产生一个通用的概率预测,在高峰期的性能改善。所提出的方法是使用真正的智能电表数据和一个假设的低压网络层次结构,包括馈线,二次和一次变电站。融合国家的最先进的概率负荷预测与高峰预测,以提高整体性能,特别是在智能电表和馈线水平和高峰时段,在CRPS方面的改善超过10%。
2023-01-09 stat.AP
Lasso estimation for GEFCom2014 probabilistic electric load forecasting
我们提出了一种基于套索(最小绝对收缩和选择算子)估计的概率负荷预测方法。所考虑的模型可以看作是一个二元时变门限自回归(AR)过程的小时电力负荷和温度。联合建模方法直接将温度效应,并反映每日,每周和每年的季节性模式和公众假期的影响。我们提供了两个实证研究,一个基于2014年全球能源预测竞赛(GEFCom 2014-L)的概率负荷预测轨道,另一个基于最近的另一个概率负荷预测竞赛,该竞赛遵循类似于GEFCom 2014-L的设置。在这两个实证案例研究中,所提出的方法优于GEFCom 2014-L的前八个条目中的两个基于多重线性回归的基准。
2016-03-04 stat.AP stat.ML
Generative Probabilistic Time Series Forecasting and Applications in Grid Operations
Cornell University(康奈尔大学)
本文提出弱新息自编码器架构,从非参数平稳时间序列中提取独立同分布新息序列,并证明其贝叶斯充分性,在实时电价预测中优于领先的概率预测和点预测方法。
2024-02-21 cs.LG eess.SP stat.AP
Short-Term Solar Irradiance Forecasting Using Calibrated Probabilistic Models
Stanford University(斯坦福大学);Open Climate Fix(开放气候修复);National Center for Atmospheric Research(美国国家大气研究中心)
推进概率太阳能预测方法对于支持太阳能融入电网至关重要。在这项工作中,我们开发了各种最先进的概率模型预测太阳辐照度。我们调查使用事后校准技术,以确保良好校准的概率预测。我们训练和评估的模型使用公共数据从七个站在SURFRAD网络,并证明,最好的模型,NGBoost,实现更高的性能在每小时内的分辨率比最好的基准太阳辐照度预测模型在所有站点。此外,我们表明,NGBoost与CRUDE事后校准实现了相当的性能数值天气预报模型的小时分辨率预报。
2020-10-14 cs.LG stat.AP stat.ML
Probabilistic Forecasting for Daily Electricity Loads and Quantiles for Curve-to-Curve Regression
电力负荷曲线的概率预测对于在日益波动和竞争激烈的能源市场中进行有效的调度和决策至关重要。我们提出了一种新的方法来构建概率预测曲线(PPC),这导致了一个自然的和新的分位数的定义曲线到曲线线性回归的上下文中。PPC有三种类型:预测集、预测带和预测分位数,所有这些都是在预先指定的名义概率水平上定义的。在仿真研究中,PPC在多种数据生成机制下都能获得较好的覆盖概率。在法国日负荷曲线的一天前预测中,PPC在预测精度、覆盖率和预测带平均长度方面优于几种最先进的预测方法。预测分位数曲线提供了有见地的信息,这是高度相关的电力供应管理中的对冲风险。
2020-11-11 stat.AP stat.ME
A Bayesian Approach to Probabilistic Solar Irradiance Forecasting
太阳能发电的输出在很大程度上取决于可用的太阳辐射。因此,随着光伏发电在现代电网中的普及,预测太阳辐照度对于电网的正常运行至关重要。为了提高预测性能的准确性,本文讨论了概率预测的贝叶斯处理。该方法被证明使用公开的数据从佛罗里达州自动气象网(FAWN)。该算法在Python中开发,并将结果与点预测,其他概率方法和该时期获得的实际现场结果进行比较。
2022-09-02 cs.SY eess.SY stat.AP
Probabilistic Forecasting and Simulation of Electricity Markets via Online Dictionary Learning
研究了随机发电和随机需求的实时电力市场的概率预测和在线仿真问题。利用直流最优潮流的参数结构,提出了一种基于在线字典学习(ODL)的新方法。ODL方法结合了实时测量和历史轨迹,以预测未来位置边际价格、潮流和调度水平的联合和边际概率分布,并以预测时的系统状态为条件。与标准的蒙特卡罗模拟技术相比,ODL方法在计算时间上提供了几个数量级的改进,使其成为可行的在线预测的市场运作。对大中型电力系统的数值仿真表明了该算法的性能和复杂性,以及它作为系统运行人员工具的潜力。
2016-06-25 stat.AP stat.ML
Probabilistic forecasting of heterogeneous consumer transaction-sales time series
我们提出了新的贝叶斯方法的消费者销售预测。重点是多步提前预测的日常销售的许多超市项目,我们适应动态计数混合模型来预测个人客户的交易,并引入新的动态二进制级联模型来预测每笔交易的项目计数。这些交易-销售模型可以结合随时间变化的趋势、季节、价格、促销、随机效应和针对单个项目的其他特定于出口的预测因素。序贯贝叶斯分析涉及对解耦项集的快速、并行过滤,并且可跨可能表现出广泛变化的特征的项进行适应性调整。多尺度方法允许随着时间的推移在具有相关模式的项目之间共享信息,以提高预测,同时保持对许多项目的可伸缩性。一个激励性的案例研究,在多项目,多周期,多步提前超市销售预测提供的例子,证明提高预测精度在多个指标,并说明了预测精度评估和比较的全概率模型的好处。保留字:贝叶斯预测去耦/重新耦合;动态二元级联预报校正;间歇性需求;多尺度预测;预测罕见事件;每笔交易的销售额;超市销售预测
2018-08-20 stat.AP stat.ME
A hybrid model of kernel density estimation and quantile regression for GEFCom2014 probabilistic load forecasting
作为2014年全球能源预测竞赛概率负荷预测轨道的一部分,我们提出了一种结合核密度估计(KDE)和分位数回归技术生成概率预测的模型。KDE方法最初是使用时间衰减参数实现的。我们后来通过调节温度或一周的周期变量来改进这种方法,以提供更准确的预测。其次,我们发展了一个简单而有效的分位数回归预测。我们的方法的新颖方面是双重的。首先,我们将对称性引入到基于核密度估计的预测的时间衰减参数中。其次,我们结合三个概率预测不同的权重为不同时期的一个月。
2016-10-17 physics.data-an physics.soc-ph stat.AP
A review of machine learning concepts and methods for addressing challenges in probabilistic hydrological post-processing and forecasting
National Technical University of Athens(雅典国立技术大学);Hellenic Air Force(希腊空军)
概率预报在包括水文学在内的各种应用领域中日益受到重视。几个机器学习概念和方法对于解决形式化和优化概率预测实现的主要挑战以及识别这些实现中最有用的实现的同样重要的挑战是显著相关的。尽管如此,注重实际的审查,这些概念和方法,以及如何可以有效地利用这些在上述基本的努力,目前失踪的概率水文预报文献。尽管在同一文献中,从机器学习中受益的研究工作明显加强,但这种缺乏仍然存在。尽管最近出现了实质性的相关进展,特别是在概率水文后处理领域,传统上为水文学家提供概率水文预报实施,但它也成立。我们的目标是填补这一空白。在我们的审查中,我们强调可以导致有效普及的关键思想和信息,因为这种强调可以支持未来的成功实施和进一步的科学发展。在同一个前瞻性的方向,我们确定开放的研究问题,并提出想法,在未来进行探索。
2022-10-30 cs.LG stat.AP stat.ME
Adaptive Probabilistic Forecasting of Electricity (Net-)Load
本文提出基于 Kalman filter、残差分位数回归与在线专家聚合的自适应概率电力负荷预测方法,并在英国净负荷和美国七城需求数据上验证其显著提升点预测与概率预测性能。
2023-04-24 stat.AP stat.ME stat.ML
Quantile Regression for Qualifying Match of GEFCom2017 Probabilistic Load Forecasting
我们提出了一种简单的基于分位数回归的预测方法,并将其应用于2017年全球能源预测竞赛(GEFCom 2017)的概率负荷预测框架中。每小时负荷数据经过对数转换并分为长期趋势分量和剩余项。关键的预测要素是剩余期的分位数回归方法,该方法考虑到每周和每年的季节性,例如它们的相互作用。温度信息仅用于稳定长期趋势分量的预测。公众假期信息被忽略。尽管如此,预测方法在开放数据跟踪中排名第二,在确定数据跟踪中排名第四,这是显着的模型简单。该方法也始终优于Vanilla基准。
2018-09-10 stat.AP stat.CO stat.ME
Smoothing Quantile Regression Averaging: A new approach to probabilistic forecasting of electricity prices
针对电力市场短期电价预测需求,提出平滑分位数回归平均方法,经含疫情及地缘冲突时期数据的两个市场验证,该方法在预测性能和交易收益上均优于点预测基准,证明了概率预测的实用价值。
2024-11-19 q-fin.CP stat.AP
Spatio-temporal DeepKriging in PyTorch: A Supplementary Application to Precipitation Data for Interpolation and Probabilistic Forecasting
School of Mathematics and Applied Statistics, University of Wollongong, Australia(数学与应用统计学系,沃林戈恩大学,澳大利亚)
本文基于PyTorch平台实现时空深度克里金(STDK)框架,用于欧洲降水数据的插值与多步预测,并提供可复现代码模块,验证了该方法在处理时空不规则性时的预测性能与鲁棒性。
2025-09-16 cs.LG stat.AP
Adaptive Multi-task Learning for Probabilistic Load Forecasting
BCAM-Basque Center for Applied Mathematics(BCAM-巴斯克应用数学中心);Zenit Solar Tech;Massachusetts Institute of Technology (MIT)(麻省理工学院(MIT));IKERBASQUE-Basque Foundation for Science(IKERBASQUE-巴斯克科学基金会)
本文提出了一种自适应多任务学习方法,用于提升概率负荷预测的准确性与不确定性评估能力。
2026-01-17 cs.LG stat.AP
Daily Middle-Term Probabilistic Forecasting of Power Consumption in North-East England
中期(数月至一年)的电力消耗概率预测是能源部门的一个主要挑战。它在规划未来的发电厂和输电网中起着关键作用。我们提出了一个新的模型,它结合了传统时间序列分析中的趋势和季节性特征,以及天气条件作为简约机器学习方法(称为高斯过程)中的解释变量。应用于英格兰东北部最大的能源供应商之一提供的每日电力消耗数据集,我们获得了有希望的结果,在样本外密度预测长达一年,即使使用一个小的数据集,只有两年的样本内数据。为了验证所实现的电力消耗概率预测的质量,我们考虑了能源部门常见的措施,如弹球损失和Winkler评分以及有条件和无条件测试的回溯测试,在巴塞尔协议II引入后,银行业的标准。
2020-10-16 q-fin.ST stat.AP
Probabilistic multivariate electricity price forecasting using implicit generative ensemble post-processing
预测不确定性的可靠估计是风险敏感最优决策的关键。在本文中,我们提出了隐式生成集成后处理,多变量概率电价预测的新框架。我们使用一个基于点预测模型集合的无似然隐式生成模型来生成具有一致依赖结构的多变量电价场景,作为联合预测分布的表示。我们的集成后处理方法优于成熟的模型组合基准。这一点在德国日前市场的数据集上得到了证明。由于我们的方法在特定领域的专家模型集合之上工作,因此可以很容易地部署到其他预测任务中。
2020-05-27 econ.EM q-fin.RM q-fin.ST
A Novel Hybrid Approach to Contraceptive Demand Forecasting: Integrating Point Predictions with Probabilistic Distributions
Cardiff University(卡迪夫大学);Cardiff Business School(卡迪夫商学院)
本文提出一种结合特定领域模型点预测与统计机器学习概率分布的混合模型,通过引入专家知识微调系统预测,有效解决了发展中国家避孕药具需求预测中的数据不确定性问题。
2025-03-07 cs.LG stat.AP stat.ME
Probabilistic forecasting approaches for extreme NO$_2$ episodes: a comparison of models
Artificial Intelligence Department Universidad Nacional de Educación a Distancia — UNED(西班牙马德里开放大学(UNED)人工智能系)
当局越来越多地通过交通限制来处理NO $_2$的高浓度事件,当空气质量恶化超过某些阈值时,就会启动交通限制。因此,预测污染物浓度达到这些阈值的可能性是必要的。概率预测是允许预测预期分布函数而不是单个值的技术家族。在NO $_2$的情况下,它允许计算未来超过阈值的机会并检测污染峰值。我们彻底比较了10个最先进的概率预测模型,用它们来预测NO $_2$浓度在一组预测范围(最多60小时)的城市位置的分布。分位数梯度提升树表现出最佳性能,为期望值和预测全分布都产生最佳结果。此外,我们展示了如何使用这种方法来检测污染峰值。
2020-03-24 cs.LG stat.AP stat.ML
Probabilistic wind power forecasting resilient to missing values: an adaptive quantile regression approach
提出一种无需预处理或重训练的自适应分位数回归方法,通过特征提取和非交叉分位数神经网络模块适应数据缺失模式,在概率性风电预测中实现了最先进的连续排名概率分数。
2024-04-24 cs.SY eess.SY stat.AP
The Evolution of Probabilistic Price Forecasting Techniques: A Review of the Day-Ahead, Intra-Day, and Balancing Markets
SFI CRT in Artificial Intelligence, School of Computer Science \& IT, University College Cork, Ireland;SFI Insight Centre for Data Analytics, School of Computer Science \& IT, University College Cork, Ireland
本文综述了概率性电价预测技术从贝叶斯方法、分位数回归到保形预测的演进,并扩展至日前、日内与平衡市场,重点分析了有效性方法、评估指标及标准化基准缺失等挑战。
2025-10-28 cs.AI q-fin.ST stat.AP
Beyond Point Forecasts: A Survey on Probabilistic Forecasting for Time Series and Spatiotemporal Data
Sorbonne University Abu Dhabi(阿布扎比索邦大学);Sorbonne Université(索邦大学)
本综述统一了概率预测方法论,通过跨范式实证研究揭示不同不确定性量化范式的适用性,并指出未来挑战。
2026-09-15 cs.LG econ.EM stat.AP
GEFCOM 2014 - Probabilistic Electricity Price Forecasting
Budapest University of Technology and Economics(布达佩斯技术与经济大学)
能源价格预测是多步时间序列预测领域中的一个重要而又困难的课题。在本文中,我们比较了一个众所周知的和既定的方法,ARMA与一个相对较新的技术梯度提升回归的外生变量。该方法在2014年全球能源预测竞赛的数据上进行了测试,并进行了为期一年的滚动窗口预测。实验结果表明,多模型方法在误差度量方面表现得更好。梯度提升可以处理季节性和自相关的开箱即用,并在真实世界数据上实现较低的归一化平均绝对误差率。
2015-06-23 cs.CE cs.LG stat.AP
Probabilistic Forecasting for Day-ahead Electricity Prices, Battery Trading Strategies and the Economic Evaluation of Predictive Accuracy
University of Duisburg-Essen(杜伊斯堡-埃森大学);Statkraft Trading GmbH(Statkraft交易有限公司)
本文探讨了概率预测在电力价格、电池交易和预测准确性评估中的应用,指出传统量化交易策略的不足,并通过德国电力市场案例研究,揭示了预测模型评估的挑战与改进方向。
2026-04-21 econ.EM q-fin.PM q-fin.ST
Signature Kernel Scoring Rule: A Spatio-Temporal Diagnostic for Probabilistic Weather Forecasting
Department of Statistics, University of Warwick(沃里克大学统计系)
本文提出签名核评分规则,用于概率天气预测,通过迭代积分将天气变量视为连续路径,以编码时空依赖性,并在WeatherBench 2上验证其高判别力和路径依赖交互捕捉能力。
2026-04-30 cs.LG stat.AP stat.ML
Probabilistic Multi-Step-Ahead Short-Term Water Demand Forecasting with Lasso
需水量是运行控制和决策的一个非常重要的变量。因此,准确预测的发展是一个有价值的研究领域,以进一步提高水设施的效率。针对概率多步预测,引入了一个时间序列模型,以捕捉典型的自回归,日历和季节效应,考虑时变方差,并量化的不确定性和路径依赖的水需求过程。为了处理水需求过程的高复杂性,应用了高维特征空间,该特征空间通过自动收缩和选择算子(套索)有效地调整。它允许获得准确,简单,可解释和快速计算的预测模型,非常适合实时应用。完整的概率预测框架不仅可以模拟平均值和边际属性,还可以模拟预测范围内小时之间的相关结构。对于从业者来说,完整的概率多步预测具有相当大的相关性,因为它们提供了有关预期的总或累积水需求的额外信息,因此可以说明储水能力在一定时期内可以保证供应的概率。这些信息可以更好地控制存储容量,并更好地确保泵的平稳运行。为了适当地评估所考虑的模型的预测性能,能量得分(ES)作为一个严格适当的多维评价标准,被引入。该方法适用于德国供水商的每小时需水量数据。
2020-05-09 econ.EM stat.AP stat.ML
Weather-Informed Probabilistic Forecasting and Scenario Generation in Power Systems
H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology(工业与系统工程系,佐治亚理工学院);AI Institute for Advances in Optimization(优化前沿人工智能研究所)
本文提出结合概率预报与高斯Copula的方法,用于高维环境下负荷、风能和太阳能的日提前预测与情景生成,通过整合天气协变量恢复时空相关性,提升可再生能源的概率预报可靠性。
2024-09-11 cs.AI cs.LG stat.AP
Continuous and Distribution-free Probabilistic Wind Power Forecasting: A Conditional Normalizing Flow Approach
Shanghai Jiao Tong University(上海交通大学);Technical University of Denmark(丹麦技术大学)
提出了一种基于条件归一化流(CNF)的数据驱动概率风电功率预测方法。与现有的方法相比,该方法是无分布的(如非参数和基于分位数的方法),可以直接产生连续的概率密度,从而避免分位数交叉。它依赖于一个基分布和一组双射映射。基分布和双射映射的形状参数都用神经网络逼近。基于样条的条件归一化流由于其非仿射特性而被考虑。在训练阶段,该模型顺序地将输入示例映射到基础分布的样本上,给定条件上下文,其中参数通过最大似然估计。为了发布概率预测,最终将基本分布的样本映射到期望分布的样本。基于开放数据集的案例研究验证了所提出的模型的有效性,并允许我们讨论其优势和警告相对于最先进的。
2022-06-06 cs.LG cs.SY eess.SY
M5 Competition Uncertainty: Overdispersion, distributional forecasting, GAMLSS and beyond
University of Duisburg-Essen(杜伊斯堡-埃森大学)
M5竞争不确定性跟踪旨在对数千种沃尔玛零售商品的销售进行概率预测。我们发现,M5竞争数据面临着强烈的过度分散和零星的需求,特别是零需求。我们讨论了由此产生的建模问题,充分的概率预测,这样的计数数据过程。不幸的是,M5竞赛中使用的大多数流行预测方法(例如lightgbm和xgboost GBM)由于考虑的目标函数而无法解决数据特征。分布式预测为克服这些问题提供了一种合适的建模方法。GAMLSS框架允许使用低维分布进行灵活的概率预测。我们举例说明,如何的GAMLSS方法可以应用于M5竞争数据建模的位置和尺度参数的各种分布,例如,负二项分布。最后,我们讨论了用于分布式建模的软件包及其缺点,如R包gamlss及其包扩展,以及(深度)分布式预测库,如TensorFlow Probability。
2021-11-10 cs.AI cs.LG stat.AP