本文提出了一种新颖的生成式概率预测方法，基于非参数时间序列的 Wiener-Kallianpur 创新表示。在生成人工智能的范式下，提出的预测架构包括一个自编码器，将非参数多变量随机过程转化为规范化的创新序列，根据过去样本的条件概率分布生成未来时间序列样本。提出了一种新颖的深度学习算法，使潜在过程成为具有匹配自编码器输入 - 输出条件概率分布的独立同分布序列。该生成式预测方法具有渐近最优性和结构收敛性质。研究了三个应用领域，包括实时市场操作中的高动态和高波动时间序列：(i) 商业储能参与者的位置边际价格预测，(ii) 互联市场的区域价格差预测，以及 (iii) 频率调节的区域控制误差预测。基于多个独立系统运营商的市场数据的数值研究表明，在概率和点预测指标下，与传统的和基于机器学习的预测技术相比，该方法具有更优越的性能。
Mar, 2024
本文提出了一种基于非参数创新的非参数方法，通过机器学习和深度学习技术，可能在不知道时间序列的概率分布的情况下有效地预测电力价格的条件概率分布。
Jun, 2023
使用深度学习模型生成能源生产和负荷预测轨迹，以应对可再生能源在电力混合中的扩大所引起的电网变动性增加的问题。
Sep, 2023
本文提出一种基于生成对抗网络及变换器的长期时间序列预测方法 (GenF), 证明其在预测方差和偏差上更加平衡，实验数据显示该方法在五个公共数据集上表现显著优于其他方法。
Dec, 2022
本文提出了基于去噪扩散概率模型的深度学习生成方法，首次应用于利用全球能源预测竞赛 2014 的开放数据进行能源预测。结果表明，这种方法与其他最先进的深度学习生成模型竞争力相当。
我们针对神经模型输出概率分布序列的情况，开发了一种更有效的对抗攻击方法。我们解决的关键技术挑战是如何通过蒙特卡罗估计输出序列的联合分布统计量。此外，我们将概率预测的先前工作扩展到贝叶斯设置中，可以对未来观测进行调节。我们证明了这种方法可以在股票市场交易和电力消耗预测等两项关键任务中成功生成具有小输入扰动的攻击。
Mar, 2020
本论文介绍了一种非参数的端到端方法，用于在包括缺失数据插补的情况下对分布式可再生能源生成输出进行概率预测。
本研究基于卷积神经网络提出了一种概率预测框架，可用于多个相关时间序列的预测，并可在参数和非参数设置下估计概率密度。该方法通过堆叠残差块实现了序列的时间依赖关系，并通过表示学习捕获了季节性、假日效应等复杂模式，实验证明该框架在精度和效率方面均优于当前其他方法。
Jun, 2019
本文介绍了一种概率时间序列预测的一般方法，通过结合自回归循环神经网络和隐含量子网络来建模时间动态并学习一系列时间序列预测模型，在真实数据和模拟数据上得出的结果表明，该方法在预测准确性和估计潜在时间分布方面具有优势。
Jul, 2021
本研究介绍了一种新颖的时间潜在自编码器方法以实现多元时间序列的非线性分解，并通过解码器建模输入序列的复杂分布，得到极好的表现。
Jan, 2021