Mar, 2024

市场运营中的生成概率预测应用

PDF
TL;DR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。
发现论文，激发创造
  • 生成概率时间序列预测及其在电网运营中的应用

    利用弱创新自动编码器建立生成概率预测模型，可应用于电力价格预测等领域，展示了在多种预测指标上超过主要概率和点预测技术的卓越性能。

    Feb, 2024

  • 基于创新表示法的非参数概率时间序列预测

    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

  • 应用生成式预测改进长程时间序列预测

    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

  • 基于时序卷积神经网络的概率预测

    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

  • 时间潜变量自编码器：一种概率多元时间序列预测方法

    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

  • DANLIP：用于局部可解释概率预测的深度自回归网络

    本文提出了模型，这是一种基于深度学习的概率时间序列预测结构，具有内在可解释性。我们通过多个数据集和性能度量进行实验，并经验证明，我们的模型不仅具有可解释性，而且还提供了与最先进的概率时间序列预测方法相当的性能。此外，我们证明了解释感兴趣的随机过程的参数可以为多个应用领域提供有用的见解。

    Jan, 2023

  • 深度非参数时间序列预测器

    这篇论文提出了非参数基线模型用于时间序列预测，不同于传统的预测模型，该方法不需要对预测分布进行参数化假设，而是通过从经验分布中根据可调节的策略进行采样来生成预测。此方法总是能够产生合理的预测（即在观测数据范围内的预测），而不像传统模型在某些数据分布上存在数值稳定性问题。此外，我们还开发了基于多个相关时间序列利用信息自动学习采样策略的全局版本。通过实证评估，证明了这些方法在所有数据集上都具有合理且一致的性能，可以被视为强大的基准模型。

    Dec, 2023

  • 金融时间序列的深度生成建模与 VaR 应用：一项比较评述

    金融服务行业中，根据历史和当前市场环境来预测风险因素分布是市场风险建模和风险价值 (VaR) 模型的关键。本研究应用多个现有的深度生成方法，如 CGAN、CWGAN、Diffusion 和 Signature WGAN，以及提出并测试两种新方法进行条件多步时间序列生成，即编码器 - 解码器 CGAN 和条件 TimeVAE。此外，我们引入了一个全面的框架和一组关键绩效指标 (KPIs)，用于衡量金融建模中生成时间序列的质量。KPIs 包括分布距离、自相关和回测。在历史美元收益曲线数据和从 GARCH 和 CIR 过程模拟的附加数据上测试了所有模型 (HS、参数模型和神经网络)。研究表明，HS、GARCH 和 CWGAN 模型是表现最好的模型。此领域中的未来研究方向也在研究中进行了讨论。

    Jan, 2024

  • 变分自编码深度高斯过程

    通过与一个识别模型相结合，我们开发了一个可扩展的深度非参数生成模型。在利用多层感知器的变分框架下，我们重新参数化变分后验分布，并推导出一个可处理深度学习任务规模数据集的变分下界公式，证明了该方法在深度无监督学习和深度贝叶斯优化领域的有效性。

    Nov, 2015

  • 非参数化端到端概率分布式发电产量预测考虑缺失数据插补

    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。

    Mar, 2024