基于深度神经网络的非交叉复合分位数估计的新型平滑损失与惩罚函数
信号处理
2019-09-27 v1 机器学习
摘要
在以概率预测形式呈现的不确定性分析，能在智能电网整合风能等可再生能源时显著改善决策过程。点预测提供单一期望值，而概率预测以分位数、预测区间或完整预测密度的形式提供更丰富的信息。传统上对此类预测采用分位数回归，且近年来分位数回归神经网络在气象与可再生能源预测中日益流行。然而，神经网络中复合分位数估计的一个主要缺陷是分位数交叉问题。本文分析了新型平滑损失与惩罚函数在神经网络架构中防止分位数交叉问题的有效性。其效能通过风能功率预测问题加以检验。使用全球能源预测竞赛2014的公开风能数据进行了数值案例研究。估计多个分位数以构成10%至90%的预测区间，并采用分位数分数与可靠性度量进行评估。以持续性分布、气候态分布、多重分位数回归和支持向量分位数回归等基准模型进行比较，结果表明所提方法在防止分位数估计重叠问题的同时取得了更优性能。
引用
@article{arxiv.1909.12122,
title = {A Novel Smoothed Loss and Penalty Function for Noncrossing Composite Quantile Estimation via Deep Neural Networks},
author = {Kostas Hatalis and Alberto J. Lamadrid and Katya Scheinberg and Shalinee Kishore},
journal= {arXiv preprint arXiv:1909.12122},
year = {2019}
}
备注
12 pages, IEEE Transactions Journal format. arXiv admin note: substantial text overlap with arXiv:1710.01720