Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: zespół predyktorów

Sortuj według:

Ogranicz wyniki do:

Local dynamic integration of ensemble in prediction of time series

Osowski S., Siwek K.

Bulletin of the Polish Academy of Sciences. Technical Sciences

2019

Vol. 67, nr 3

517--525

The paper presents local dynamic approach to integration of an ensemble of predictors. The classical fusing of many predictor results takes into account all units and takes the weighted average of the results of all units forming the ensemble. This paper proposes different approach. The prediction of time series for the next day is done here by only one member of an ensemble, which was the best in the learning stage for the input vector, closest to the input data actually applied. Thanks to such arrangement we avoid the situation in which the worst unit reduces the accuracy of the whole ensemble. This way we obtain an increased level of statistical forecasting accuracy, since each task is performed by the best suited predictor. Moreover, such arrangement of integration allows for using units of very different quality without decreasing the quality of final prediction. The numerical experiments performed for forecasting the next input, the average PM10 pollution and forecasting the 24-element vector of hourly load of the power system have confirmed the superiority of the presented approach. All quality measures of forecast have been significantly improved.

Local dynamic integration of ensemble of predictors in load forecasting

Ciechulski T., Osowski S.

Przegląd Elektrotechniczny

2017

R. 93, nr 10

57--59

The paper shows the new approach to integration of an ensemble of neural predictors in load forecasting. In opposite to classic integration method built upon weighted averaging of every single predictor results this integration method uses only the results of one predictor which was the best on the input data of the learning vectors from the past, which were closest to the actual excitation. Thanks to this the result of ensemble is never worse than the best unit in ensemble. The results of 24-hour ahead prediction of the daily load in small power system have confirmed the efficiency of the proposed solution.

Artykuł przedstawia nowe podejście do integracji zespołu predyktorów neuronowych w zadaniu prognozowania godzinnych obciążeń dobowych z wyprzedzeniem 24-godzinnym. W metodyce tej do predykcji używany jest tylko jeden – najlepszy predyktor dla analizowanej doby. Konkretny wektor obciążeń z danych uczących wraz z najbardziej dokładną odpowiadającą mu siecią neuronową wyłonioną w trybie uczenia wybierany jest na podstawie najmniejszej odległości euklidesowej badanego wektora w trybie testującym. Wyniki badań numerycznych potwierdzają wyższość prezentowanej metody nad rozwiązaniami klasycznymi predykcji.