Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Hồi quy vector hỗ trợ với tiếng ồn tổng quát và khoảng không chắc chắn không cố định trong dự đoán bức xạ mặt trời
Tóm tắt
Các hàm chi phí tiếng ồn tổng quát gần đây đã được đề xuất cho hồi quy vector hỗ trợ (SVR). Khi được áp dụng cho các nhiệm vụ có phân phối tiếng ồn cơ sở tương tự như phân phối được giả định cho hàm chi phí, các mô hình này nên hoạt động tốt hơn so với hồi quy vector hỗ trợ cổ điển $$\epsilon$$-SVR. Mặt khác, ước lượng độ không chắc chắn cho SVR đến nay vẫn nhận được sự quan tâm hạn chế trong tài liệu và vẫn có nhiều vấn đề chưa được giải quyết. Giữ điều này trong tâm trí, ba mục tiêu chính được đề cập ở đây. Đầu tiên, chúng tôi đề xuất một khung làm việc sử dụng sự kết hợp của các mô hình SVR tiếng ồn tổng quát với thuật toán tối ưu hóa trực tuyến R tối giản naiv (NORMA), và sau đó cung cấp các khoảng sai số không cố định phụ thuộc vào dữ liệu đầu vào với sự hỗ trợ của các kỹ thuật phân cụm. Chúng tôi cung cấp các chi tiết lý thuyết cần thiết để triển khai khung này cho các phân phối Laplace, Gaussian, Beta, Weibull và Marshall-Olkin tổng quát. Thứ hai, chúng tôi thử nghiệm khung đề xuất trong hai vấn đề hồi quy thực tế sử dụng dữ liệu từ hai cuộc thi công khai về năng lượng mặt trời. Kết quả cho thấy tính hợp lệ của các mô hình của chúng tôi và sự cải thiện so với hồi quy vector hỗ trợ cổ điển $$\epsilon$$-SVR. Cuối cùng, theo nguyên tắc nghiên cứu có thể tái tạo, chúng tôi đảm bảo rằng dữ liệu và các triển khai mô hình được sử dụng trong các thí nghiệm dễ dàng và công khai truy cập.
Từ khóa
#hồi quy vector hỗ trợ #SVR #tiếng ồn tổng quát #khoảng sai số không cố định #dự đoán bức xạ mặt trờiTài liệu tham khảo
Gala Y, Fernandez A, Diaz J et al (2013) Support vector forecasting of solar radiation values. In: Proceedings of hybrid artificial intelligent systems, Salamanca, Spain, 11–13 September 2013, pp 51–60
Yang H, Huang K, King I et al (2009) Localized support vector regression for time series prediction. Neurocomputing 72(10):2659–2669
Tomar D, Agarwal S (2011) Weighted support vector regression approach for remote healthcare monitoring. In: Proceedings of 2011 international conference on recent trends in information technology (ICRTIT), Chennai, India, 3–5 June 2011, pp 969–974
Pontil M, Mukherjee S, Girosi F (2000) On the noise model of support vector machines regression. In: Proceedings of algorithmic learning theory, Sydney, Australia, 11–13 December 2000, pp 316–324
Bludszuweit H, Domínguez-Navarro JA, Llombart A (2008) Statistical analysis of wind power forecast error. In: Proceedings of IEEE transactions on power systems, Quebec, Canada, 19–22 September 2008, pp 983–991
Prada J, Dorronsoro JR (2015) SVRs and uncertainty estimates in wind energy prediction. In: Proceedings of international work-conference on artificial neural networks, Palma de Mallorca, Spain, 10–12 June 2015, pp 564–577
Mcgovern A, Gagne DJ, Basara J et al (2015) Solar energy prediction: an international contest to initiate interdisciplinary research on compelling meteorological problems. Bull Am Meteorol Soc 96:1388–1395
Hong T, Pinson P, Fan S et al (2016) Probabilistic energy forecasting: global energy forecasting competition 2014 and beyond. Int J Forecast 32(3):896–913
Ettoumi FY, Mefti A, Adane A et al (2002) Statistical analysis of solar measurements in Algeria using Beta distributions. Renew Energy 26:47–67
Shawe-Taylor J, Cristianini N (2000) An introduction to support vector machines and other kernel-based learning methods. Cambridge University Press, Cambridge
Fletcher R (2013) Practical methods of optimization. Wiley, Chichester
Minh HQ, Niyogi P, Yao Y (2006) Mercer’s theorem, feature maps, and smoothing. In: Proceedings of international conference on computational learning theory, Pittsburgh, USA, 22–25 June 2006, pp 154–168
Schölkopf B, Smola AJ (2002) Learning with kernels: support vector machines, regularization, optimization, and beyond. MIT Press, Cambridge
Kivinen J, Smola AJ, Williamson RC (2004) Online learning with kernels. IEEE Trans Signal Process 52(8):2165–2176
Lin C, Weng R (2004) Simple probabilistic predictions for support vector regression. National Taiwan University, Taipei
Hartigan JA (1975) Clustering algorithms. Wiley, New York
Huang Z (1998) Extensions to the k-means algorithm for clustering large data sets with categorical values. Data Min Knowl Discov 2(3):283–304
Platt JC (1999) Fast training of support vector machines using sequential minimal optimization. In: Scholkopf B, Burges CJC, Smola AJ (eds) Advances in kernel methods—support vector learning. MIT Press, Cambridge, pp 185–208
Hu Q, Zhang S, Xie Z et al (2014) Noise model based \(\nu\)-support vector regression with its application to short-term wind speed forecasting. Neural Netw 57:1–11
Klein JP, Keiding N, Kamby C (1989) Semiparametric Marshall–Olkin models applied to the occurrence of metastases at multiple sites after breast cancer. Biometrics 45(4):1073–1086
Prada J, Dorronsoro JR (2017) General noise SVRs and uncertainty intervals. In: Proceedings of international work-conference on artificial neural networks, Cadiz, Spain, 14–16 June 2017, pp 734–746
Kushner HJ, Clark DS (2012) Stochastic approximation methods for constrained and unconstrained systems. Springer, New York
Chang C, Lin C (2011) LIBSVM: a library for support vector machines. ACM Trans Intell Syst Technol (TIST) 2(3):1–27
Holmgren WF, Andrews RW, Lorenzo AT et al (2015) PVLIB python 2015. In: Proceedings of 42nd photovoltaic specialists conference, New Orleans, USA, 14–19 June 2015, pp 1–5
Kaggle (2014) AMS 2013–2014 solar energy prediction contest. https://www.kaggle.com/c/ams-2014-solar-energy-prediction-contest/data. Accessed 10 October 2014
Ineichen P (2008) A broadband simplified version of the Solis clear sky model. Solar Energy 82:758–762
Fernandez A, Gala Y, Dorronsoro JR (2014) Machine learning prediction of large area photovoltaic energy production. In: Proceedings of data analytics for renewable energy integration, Nancy, France, 19 September 2014, pp 38–53
Assuncao HF, Escobedo JF, Oliveira AP (2003) Modelling frequency distributions of 5 minute-averaged solar radiation indexes using Beta probability functions. Theor Appl Climatol 75:213–224