Probabilistic load forecasting with Reservoir Computing

要約

深層学習の一部のアプリケーションでは、正確な結果を提供するだけでなく、予測の信頼度を定量化する必要があります。
電力網の管理もその 1 つです。危険なシナリオを回避するために、意思決定者は、電力負荷などの正確かつ信頼できる予測の両方を必要とします。
このため、点予測だけでは十分ではなく、不確実性を定量化する方法を採用する必要があります。
この研究では、時系列予測における計算効率と有効性により、中核となる時系列予測手法として貯留層コンピューティングに焦点を当てています。
RC の文献は主に点予測に焦点を当てていますが、この研究では、いくつかの一般的な不確実性定量化手法と貯留層設定との互換性を調査しています。
不確実性評価に対するベイジアン手法と決定論的手法の両方が、慎重に選択された一連のパフォーマンス指標に基づいて、予測精度、計算リソース効率、推定された不確実性の信頼性の観点から評価および比較されます。

要約(オリジナル)

Some applications of deep learning require not only to provide accurate results but also to quantify the amount of confidence in their prediction. The management of an electric power grid is one of these cases: to avoid risky scenarios, decision-makers need both precise and reliable forecasts of, for example, power loads. For this reason, point forecasts are not enough hence it is necessary to adopt methods that provide an uncertainty quantification. This work focuses on reservoir computing as the core time series forecasting method, due to its computational efficiency and effectiveness in predicting time series. While the RC literature mostly focused on point forecasting, this work explores the compatibility of some popular uncertainty quantification methods with the reservoir setting. Both Bayesian and deterministic approaches to uncertainty assessment are evaluated and compared in terms of their prediction accuracy, computational resource efficiency and reliability of the estimated uncertainty, based on a set of carefully chosen performance metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google