کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8071258 1521393 2018 33 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A randomized-algorithm-based decomposition-ensemble learning methodology for energy price forecasting
ترجمه فارسی عنوان
یک روش الگوریتم تقسیم بندی مبتنی بر الگوریتم برای روش پیش بینی قیمت انرژی
کلمات کلیدی
تجزیه و تحلیل گروه روش یادگیری، الگوریتم تصادفی، پیش بینی قیمت انرژی، دستگاه یادگیری شدید شبکه پیوندی کاربردی بردار تصادفی، آشپزخانه تصادفی غرق می شود
ترجمه چکیده
با الهام از ایده جالب تصادفی، برخی از پارادایم های یادگیری تجزیه کننده قدرتمند اما وقت گیر می توانند با استفاده از الگوریتم های تصادفی به عنوان ابزار پیش بینی فردی، به انواع بسیار کارآمد و سریع گسترش پیدا کنند. در روش پیشنهادی، سه مرحله عمده، (1) تجزیه داده ها از طریق تقسیم حالت تجربی گروهی، (2) پیش بینی فردی از طریق یک الگوریتم تصادفی (با استفاده از تصادفی برای کاهش زمان آموزش و حساسیت پارامتر)، و (3) گروه نتایج برای تولید نهایی پیش بینی، شامل می شوند. در این مطالعه از برخی مدل های دیگر انحلال موجود استفاده شده با استفاده از رویکردهای اقتصادسنجی سنتی یا روش های هوشمند محاسباتی در پیش بینی های فردی، در این تحقیق برخی از الگوریتم های تصادفی در حال ظهور، دستگاه یادگیری افراطی، شبکه پیوند عملکرد تصادفی تصادفی (با استفاده از وزن های تصادفی ثابت و تعصب در شبکه های عصبی) آشپزخانه تصادفی غرق می شود (با استفاده از ویژگی های تصادفی نقشه برداری برای تقریب هسته) - به طور چشمگیری صرفه جویی در زمان محاسبات و افزایش دقت پیش بینی. با توجه به قیمت نفت برنت و قیمت گاز طبیعی هنری هاب به عنوان نمونه های مطالعه، مطالعه تجربی از لحاظ آماری تأیید می کند که مدل یادگیری گروهی تجزیه شده مبتنی بر الگوریتم پیشنهادی که به روش الگوریتم پیشنهادی به اثبات رسیده و کارآمد و سریع است، نسبت به تکنیک های محبوب محبوب (از جمله روش های هوش محاسباتی و الگوریتم های تصادفی) و همتایان مشابه تجزیه (با استفاده از تکنیک های فوق به عنوان ابزار پیش بینی فردی).
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی (عمومی)
پیش نمایش مقاله
یک روش الگوریتم تقسیم بندی مبتنی بر الگوریتم برای روش پیش بینی قیمت انرژی
چکیده انگلیسی
Inspired by the interesting idea of randomization, some powerful but time-consuming decomposition-ensemble learning paradigms can be extended into extremely efficient and fast variants by using randomized algorithms as individual forecasting tools. In the proposed methodology, Three major steps, (1) data decomposition via ensemble empirical mode decomposition, (2) individual prediction via a randomized algorithm (using randomization to mitigate training time and parameter sensitivity), and (3) results ensemble to produce final prediction, are included. Different from other existing decomposition-ensemble models using traditional econometric approaches or computational intelligence methods in individual prediction, this study employs some emerging randomized algorithms-extreme learning machine, random vector functional link network (using randomly fixed weights and bias in neural networks), and random kitchen sinks (using randomly mapping features to approximate kernels)-to dramatically save computational time and enhance prediction accuracy. With the Brent oil prices and the Henry Hub natural gas prices as studying samples, the empirical study statistically confirms that the proposed randomized-algorithm-based decomposition-ensemble learning models are proved to be excellently efficient and fast, relative to popular single techniques (including computational intelligence methods and randomized algorithms) and similar decomposition-ensemble counterparts (using the aforementioned single techniques as individual forecasting tools).
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy - Volume 157, 15 August 2018, Pages 526-538
نویسندگان
, , ,