Electricity Price Prediction Using Multi-Kernel Gaussian Process Regression Combined with Kernel-Based Support Vector Regression

要約

この論文では、ドイツの電力価格を予測するための新しいハイブリッド モデルを紹介します。
このアルゴリズムは、ガウス過程回帰 (GPR) とサポート ベクトル回帰 (SVR) の組み合わせに基づいています。
GPR はデータ内の確率的パターンの学習と内挿には優れたモデルですが、サンプル外のデータに対するパフォーマンスはあまり期待できません。
適切なデータ依存共分散関数を選択することで、テストされたドイツの時間当たり電力価格に対する GPR のパフォーマンスを向上させることができます。
ただし、サンプル外の予測はトレーニング データに依存するため、予測はノイズや外れ値の影響を受けやすくなります。
この問題を克服するために、マージンベースの最適化を適用する SVR を使用して別の予測が行われます。これは、トレーニング データ内の特定の必要なポイント (サポート ベクトル) のみが回帰の原因となるため、非線形プロセスや外れ値の処理に利点があります。
。
両方の個別の予測は、後でパフォーマンスベースの重み割り当て方法を使用して結合されます。
過去のドイツの電力価格に関するテストでは、このアプローチが、自己回帰外因性モデル、単純なアプローチ、予測の長期短期記憶アプローチなど、選択したベンチマークを上回るパフォーマンスを示していることが示されています。

要約(オリジナル)

This paper presents a new hybrid model for predicting German electricity prices. The algorithm is based on combining Gaussian Process Regression (GPR) and Support Vector Regression (SVR). While GPR is a competent model for learning the stochastic pattern within the data and interpolation, its performance for out-of-sample data is not very promising. By choosing a suitable data-dependent covariance function, we can enhance the performance of GPR for the tested German hourly power prices. However, since the out-of-sample prediction depends on the training data, the prediction is vulnerable to noise and outliers. To overcome this issue, a separate prediction is made using SVR, which applies margin-based optimization, having an advantage in dealing with non-linear processes and outliers, since only certain necessary points (support vectors) in the training data are responsible for regression. Both individual predictions are later combined using the performance-based weight assignment method. A test on historic German power prices shows that this approach outperforms its chosen benchmarks such as the autoregressive exogenous model, the naive approach, as well as the long short-term memory approach of prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google