Any-Quantile Probabilistic Forecasting of Short-Term Electricity Demand

要約

電力システムは、決定論的に説明することが不可能な複数の要因に起因する不確実性の下で動作します。
分布予測は、この不確実性に関連するリスクを管理および軽減するために使用されます。
深層学習の最近の進歩により、点予測の精度が大幅に向上しましたが、正確な分布予測には依然として大きな課題が残されています。
この論文では、任意の分位数を予測できる分布予測のための新しい一般的なアプローチを提案します。
私たちの一般的なアプローチが 2 つの異なるニューラル アーキテクチャにシームレスに適用でき、短期電力需要予測タスクのコンテキストで最先端の分布予測結果が得られることを示します。
私たちは、ヨーロッパ諸国の 35 時間ごとの電力需要時系列でこの方法を経験的に検証します。
私たちのコードは、https://github.com/boreshkinai/any-quantile から入手できます。

要約(オリジナル)

Power systems operate under uncertainty originating from multiple factors that are impossible to account for deterministically. Distributional forecasting is used to control and mitigate risks associated with this uncertainty. Recent progress in deep learning has helped to significantly improve the accuracy of point forecasts, while accurate distributional forecasting still presents a significant challenge. In this paper, we propose a novel general approach for distributional forecasting capable of predicting arbitrary quantiles. We show that our general approach can be seamlessly applied to two distinct neural architectures leading to the state-of-the-art distributional forecasting results in the context of short-term electricity demand forecasting task. We empirically validate our method on 35 hourly electricity demand time-series for European countries. Our code is available here: https://github.com/boreshkinai/any-quantile.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google