Mar, 2024

卫星降水的空间插值中的不确定性估计与集成学习

PDF
TL;DR在空间插值和其他领域中，通过使用九种基于分位数的集成学习方法，将距离加权卫星降水数据与位置高程相结合，通过对比量化打分函数，证明了堆叠方法在提高概率预测方面的潜力。
quantile regressionensemble learningspatial interpolationprecipitation datasetsstacking methods
发现论文，激发创造
  • 融合卫星和地面观测资料的降水不确定性机器学习估计

    通过对具有 15 年长期月度跨越美国的大型数据集进行广泛比较，本研究旨在首次进行基于机器学习的不确定性量化任务的基准测试，结论表明适用于此任务的学习器的能力排名分别为：LightGBM，QRF，GRF，GBM，QRNN 和 QR。

    Nov, 2023

  • 融合格网卫星和气象站降水数据的 Ensemble 学习

    本文提出了 11 个集成学习器并将它们与 PERSIANN 和 IMERG 数据集以及 GHCNm 数据进行比较，证明了这些集成学习器对卫星降水产品的预测精度有所提高。

    Jul, 2023

  • 在异常值存在的情况下，使用 Beta 分位回归进行鲁棒估计不确定性

    基于鲁棒分位数回归和深度学习的方法，在关键特征异常值存在的情况下，提出了用于估计不确定性的方法，并在医学成像翻译任务中展示了其适用性。

    Sep, 2023

  • 大规模应用的分位数回归

    提出一种随机算法来处理大规模数据量的分位数回归问题，该算法在近线性时间内计算给定分位数回归问题的（1+ϵ）近似解，并计算量子回归损失函数的低失真子空间保持嵌入。

    May, 2013

  • 概率短期负荷预测的堆叠方法

    本研究探索元学习领域，结合点预测与概率短期电力需求预测，在量位线性回归、量位回归森林以及涉及残差模拟的后处理技术的基础上生成量位预测。另外，我们引入了全局和局部元学习的变种。在局部学习模式中，元模型使用最接近查询模式的模式进行训练。通过在 35 个预测场景上进行广泛的实验研究，并使用 16 个基本预测模型，我们的研究结果突显了量位回归森林在其竞争对手中的优势。

    Jun, 2024

  • 放松的分位数回归：非对称噪声的预测区间

    在这项研究中，我们提出了一种名为放宽量位回归（RQR）的方法，作为量位回归的替代方法，以构建具有提升的可取特性（例如平均宽度）并保留量位回归的重要覆盖保证的区间。

    Jun, 2024

  • 一种新的平滑损失和惩罚函数，用于通过深度神经网络进行非交叉复合分位数估计

    本文提出了一种新的平滑损失及惩罚函数的神经网络方法，用于解决智能电力系统中风能等可再生能源的概率预测问题中遭遇的分位数交叉问题，实证研究结果表明该方法可以有效提高风力发电预测的准确性。

    Sep, 2019

  • 通过偏导数实现深层非交叉分位数

    本文提出一种基于深度学习的通用算法，用于预测任意数量的分位数，并确保分位数单调性约束，达到机器精度，并在实验中获得最先进的结果，同时证明其可扩展性适用于大规模数据集。

    Jan, 2022

  • 非参概率风力预测的受约束支持向量分位回归的实证分析

    本文通过支持向量机和非线性分位数回归结合非交叉约束的方法，进行了风能非参数概率预测的数值研究，并使用 Global Energy Forecasting Competition 2014 的公开数据进行了案例研究，结果表明该方法能够更准确地进行预测，避免交叉分位数预测的问题。

    Mar, 2018

  • 分布式高维分位数回归：估计效率与支持恢复

    分布式估计和支持恢复在高维线性分位数回归中具有重要意义，本文通过将原始分位数回归转化为最小二乘优化问题，并应用双平滑方法，提出了一种新的分布式方法来解决此类问题，在保证计算和通信效率的同时能够实现接近 Oracle 收敛速度和高支持恢复精度的估计结果。通过对合成实例和真实数据应用的大量实验，验证了该方法的有效性。

    May, 2024