深度分布时间序列模型与日内电价的概率预测
统计方法学
2023-06-27 v2 计量经济学
应用统计
统计计算
机器学习
摘要
具有丰富历史值特征向量的循环神经网络（RNNs）可为呈现复杂序列依赖的序列提供准确的点预测。我们提出两种基于一种称为回声状态网络（ESN）的 RNN 变体来构建深度时间序列概率模型的方法。第一种是 ESN 的输出层具有随机扰动与用于额外正则化的收缩先验。第二种方法采用带高斯扰动的 ESN 的隐式 copula，这是特征空间上的深度 copula 过程。将该 copula 与非参数估计的边际分布结合，产生一个深度分布时间序列模型。所得概率预测是特征向量的深度函数且边际上经校准。在两种方法中，均使用贝叶斯马尔可夫链蒙特卡洛方法来估计模型并计算预测。所提模型适用于日内电价预测的复杂任务。利用来自澳大利亚国家电力市场的数据，我们表明我们的深度时间序列模型提供了准确的短期概率价格预测，其中 copula 模型占优。此外，这些模型提供了一个灵活框架，可将电力需求的概率预测作为附加特征纳入，这显著提高了 copula 模型的上尾预测精度。
引用
@article{arxiv.2010.01844,
title = {Deep Distributional Time Series Models and the Probabilistic Forecasting of Intraday Electricity Prices},
author = {Nadja Klein and Michael Stanley Smith and David J. Nott},
journal= {arXiv preprint arXiv:2010.01844},
year = {2023}
}