达尔,阿斯特丽德;Edwin V.博尼拉。 太阳能预测的分组高斯过程。 (英语) Zbl 1493.68296号 机器。学习。 108,编号8-9,1287-1306(2019). 摘要:我们考虑多任务回归模型,其中假设观测值是几个潜在节点函数和权重函数的线性组合,它们都是从高斯过程先验中提取的。由于开发可扩展的方法来预测分布式太阳能和其他可再生能源发电的问题,我们提出了多组(节点或权重)过程的耦合先验,以利用函数之间的空间相关性。我们估计了多个分布式站点的太阳能和多个邻近气象站的地面风速的预测模型。我们的结果表明,相对于竞争的太阳能基准,我们的方法保持或提高了点预测的准确性,并改进了所有度量的风力预测基准模型。我们的方法始终在没有耦合先验的等效模型中占主导地位,从而更快地提高预测精度。同时,我们的方法可以更好地量化预测不确定性。 引用于1文件 MSC公司: 68T05型 人工智能中的学习和自适应系统 60G15年 高斯过程 2015年1月62日 贝叶斯推断 62G08号 非参数回归和分位数回归 62M20型 随机过程推断和预测 62页第12页 统计在环境和相关主题中的应用 关键词:高斯过程;多任务学习;贝叶斯非参数方法;可伸缩推理;太阳能预测 软件:G流量;亚当;TensorFlow公司 PDF格式BibTeX公司 XML格式引用 \textit{A.Dahl}和\textit{E.V.Bonilla},马赫。学习。108,编号8--91287--1306(2019;Zbl 1493.68296) 全文: 内政部 arXiv公司 参考文献: [1] 阿尔瓦雷斯,M.和劳伦斯,N.D.(2009年)。用于多输出回归的稀疏卷积高斯过程。在神经信息处理系统中。 [2] 文学硕士阿尔瓦雷斯;劳伦斯,ND,计算效率卷积多输出高斯过程,机器学习研究杂志,12,5,1459-1500(2011)·Zbl 1280.68153号 [3] Alvarez,M.A.、Luengo,D.、Titsias,M.K.和Lawrence,N.D.(2010年)。通过变分诱导核实现有效的多输出高斯过程。人工智能与统计。 [4] 文学硕士阿尔瓦雷斯;Rosasco,L。;劳伦斯,ND,《向量值函数的内核:机器学习的基础和趋势》,4,3,195-266(2012)·Zbl 1301.68212号 ·数字对象标识代码:10.1561/22000036 [5] Antonanzas,J。;Osorio,N。;埃斯科瓦尔,R。;Urraca,R。;de Pison,FM;Antonanzas-Torres,F.,《光伏发电预测回顾》,太阳能,136,78-111(2016)·doi:10.1016/j.solener.2016.06.069 [6] Bilinis,I。;Constantinescu,EM;Anitescu,M.,基于卫星观测的太阳辐射数据驱动模型,太阳能,110,22-38(2014)·doi:10.1016/j.solener.2014.09.009 [7] Bonilla,E.V.、Chai,K.M.A.和Williams,C.K.I.(2008年)。多任务高斯过程预测。在神经信息处理系统中。 [8] Bonilla,E.V.、Krauth,K.和Dezfouli,A.(2016)。潜在高斯过程模型中的泛型推理。arxiv:1609.00577·Zbl 1440.62238号 [9] 北卡罗来纳州克雷西。;Wikle,CK,《时空数据统计》(2011),霍博肯:威利,霍博克·Zbl 1273.62017年 [10] Dahl,A.和Bonilla,E.(2017年)。太阳能预测的可缩放高斯过程模型。W.L.Woon、Z.Aung、O.Kramer和S.Madnick(编辑),《可再生能源整合的数据分析:通知可再生能源的生成和分配》(第94-106页)。施普林格国际出版公司。 [11] Dezfouli,A.和Bonilla,E.V.(2015)。具有黑盒可能性的高斯过程模型的可缩放推理。在神经信息处理系统中。 [12] Gardner,J.R.、Pless,G.、Wu,R.、Weinberger,K.Q.和Wilson,A.G.(2018年)。可伸缩高斯过程的乘积核插值。arXiv:1802.08903。 [13] Goovaerts,P.,《自然资源评估的地质统计学》(1997),牛津:牛津大学出版社,牛津 [14] Hensman,J.、Matthews,A.和Ghahramani,Z.(2015)。可缩放变分高斯过程分类。在AISTATS。 [15] 亨斯曼,J。;托盘,M。;劳伦斯,ND,结构化时间序列的快速非参数聚类,IEEE模式分析和机器智能汇刊,37,2,383-393(2014)·doi:10.1109/TPAMI.2014.2318711 [16] 英曼,RH;佩德罗,HT;Coimbra,CF,《可再生能源整合的太阳能预测方法》,《能源与燃烧科学进展》,39,6,535-576(2013)·doi:10.1016/j.pecs.2013.06.002 [17] 密歇根州约旦;加赫拉马尼,Z。;Jaakkola,TS;Saul,LK,《图形模型变分方法简介》(1998),柏林:施普林格出版社,柏林·Zbl 0910.68175号 ·doi:10.1007/978-94-011-5014-9_5 [18] Kingma,D.P.和Ba,J.(2014)。亚当:一种随机优化方法。CoRR.arXiv公司:1412.6980。 [19] Kingma,D.P.和Welling,M.(2014)。自动编码变分贝叶斯。学习代表国际会议。 [20] Krauth,K.、Bonilla,E.V.、Cutajar,K.和Filippone,M.(2017年)。AutoGP:探索高斯过程模型的功能和局限性。《人工智能中的不确定性》。 [21] Matthews,A.G.de G.,van der Wilk,M.,Nickson,T.,Fujii,K.,Boukouvalas,A.,León-Villagrá,P.等人(2017年)。GPflow:使用TensorFlow的高斯进程库。机器学习研究杂志,18(40),1-6·Zbl 1437.62127号 [22] Nguyen,T.V.和Bonilla,E.V.(2014)。高斯过程模型的自动变分推理。在神经信息处理系统中。 [23] 拉斯穆森,CE;Williams,CKI,机器学习的高斯过程(2006),剑桥:麻省理工学院出版社,剑桥·Zbl 1177.68165号 [24] Remes,S.、Heinonen,M.和Kaski,S.(2017)。用于建模潜在变量耦合的相互依赖的Hadamard内核。M.-L.Zhang和Y.-K.Noh(编辑),《第九届亚洲机器学习会议论文集》,《机器学习研究论文集》第77卷(第455-470页)。 [25] Rezende,D.J.、Mohamed,S.和Wierstra,D.(2014)。深度生成模型中的随机反向传播和近似推理。在机器学习国际会议上。 [26] PD桑普森;Guttorp,P.,非平稳空间协方差结构的非参数估计,美国统计协会杂志,87,417,108-119(1992)·doi:10.1080/01621459.1992.10475181 [27] Shinozaki,K。;山川,N。;Sasaki,T。;Inoue,T.,通过稀疏分布的太阳辐射观测估计的区域太阳辐照度,IEEE电力系统汇刊,31,1,35-42(2016)·doi:10.1109/TPWRS.2015.2393636 [28] Teh,Y.W.、Seeger,M.和Jordan,M.I.(2005)。半参数潜在因素模型。人工智能与统计。 [29] Titsias,M.(2009年)。稀疏高斯过程中诱导变量的变分学习。在AISTATS。 [30] Voyant,C。;诺顿,G。;Kalogirou,S。;Nivet,M-L;Paoli,C。;莫特,F。;Fouilloy,A.,《太阳辐射预测的机器学习方法:综述》,《可再生能源》,105,569-582(2017)·doi:10.1016/j.rene.2016.12.095 [31] 威登,J。;卡普曼,N。;卡斯特卢奇,V。;Lingfors,D。;Olauson,J。;雷穆伊特,F。;Bergkvist,M。;格拉布,M。;Waters,R.,《可再生能源的可变性评估和预测:太阳能、风能、波浪和潮汐资源综述》,《可再生和可持续能源评论》,44,356-375(2015)·doi:10.1016/j.rser.2014.12.019 [32] Wilson,A.G.、Knowles,D.A.和Ghahramani,Z(2012)。高斯过程回归网络。在机器学习国际会议上。 [33] Yang,D。;顾,C。;董,Z。;Jirutitijaroen,P。;陈,N。;Walsh,WM,《利用时空协方差结构和时间向前克里金进行太阳辐射预测》,《可再生能源》,第60期,第235-245页(2013年)·doi:10.1016/j.rene.2013.05.030 [34] Yang,D。;Kleissl,J。;加利福尼亚州盖马尔;佩德罗,HT;Coimbra,CF,《太阳辐射和光伏发电预测的历史和趋势:使用文本挖掘的初步评估和回顾》,《太阳能》,168,60-101(2018)·doi:10.1016/j.solener.2017.11.023 [35] Yang,D。;Ye,Z。;利姆,LHI;Dong,Z.,使用套索进行非常短期辐照度预测,太阳能,114,314-326(2015)·doi:10.1016/j.solener.2015.01.016 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。