[論文レビュー] A Bayesian Model Committee Approach to Forecasting Global Solar Radiation

Philippe Lauret, Auline Rodler+4 more|arXiv (Cornell University)|Mar 24, 2012

Solar Radiation and Photovoltaics参考文献 3被引用数 5

ひとこと要約

本論文では、ARMAモデルとニューラルネットワークモデルを組み合わせ、ベイズ推論を用いて予測の信頼性に基づいて重みを付けることで、全球水平放射（GHI）を予測するベイジアンモデルコミッティの手法を提案する。1年間の時間分解能1時間のデータを用いて評価した結果、1時間先の予測において、恒常モデル（persistence model）を著しく上回り、確率的モデル結合によって精度が向上することを示している。

ABSTRACT

This paper proposes to use a rather new modelling approach in the realm of solar radiation forecasting. In this work, two forecasting models: Autoregressive Moving Average (ARMA) and Neural Network (NN) models are combined to form a model committee. The Bayesian inference is used to affect a probability to each model in the committee. Hence, each model's predictions are weighted by their respective probability. The models are fitted to one year of hourly Global Horizontal Irradiance (GHI) measurements. Another year (the test set) is used for making genuine one hour ahead (h+1) out-of-sample forecast comparisons. The proposed approach is benchmarked against the persistence model. The very first results show an improvement brought by this approach.

研究の動機と目的

• アンサンブルモデリングを用いて短期的な全球太陽放射予測の精度を向上させること。
• 個々の予測モデルの不確実性に対処するため、ベイズ推論を用いて複数のモデルを組み合わせること。
• 予測性能に基づいて異なるモデルに信頼性の重みを割り当てる確率的フレームワークを構築すること。
• 実世界のGHI測定値を用いて、提案されたモデルコミッティを単純な恒常モデルと比較してベンチマークすること。

提案手法

• 1年間の時間分解能1時間の全球水平放射（GHI）データを用いて、自己回帰移動平均（ARMA）モデルとニューラルネットワーク（NN）モデルの2つの予測モデルを学習する。
• 訓練データに基づき、各モデルの事後確率を計算するためにベイズ推論を適用し、確率的モデル重み付けを可能にする。
• 各モデルの1時間先の予測値をその事後確率で重み付けして、統合された予測値を形成する。
• モデルコミッティの最終予測値は、個々のモデル予測値の重み付き平均であり、モデルの信頼性を反映している。
• 汎化性能を評価するために、別々の1年間のデータを用いたアウトオブサンプルテストを実施する。
• モデルの性能は、直前の時間のGHIを予測値として使用する恒常モデルと比較する。

実験結果

リサーチクエスチョン

• RQ1 ベイズ推論を用いてARMAモデルとニューラルネットワークモデルを組み合わせることで、全球太陽放射予測の精度が向上するか？
• RQ2 1時間先のGHI予測において、ベイジアンモデルコミッティは単純な恒常モデルと比べてどのように性能を発揮するか？
• RQ3 ベイズ的重み付けによるモデル不確実性の定量化は、予測の信頼性にどのように寄与するか？
• RQ4 個々のモデルと比較して、モデルコミッティは予測誤差をどの程度低減するか？

主な発見

• ベイジアンモデルコミッティ手法は、1時間先の全球水平放射予測において、恒常モデルを著しく上回る高い予測精度を達成した。
• ベイジアンモデル重み付けの使用により、モデルの信頼性が効果的に捉えられ、より強固で正確なアンサンブル予測が実現した。
• ARMAモデルとニューラルネットワークモデルの組み合わせにより、線形と非線形モデリングの長所を活かし、全体的な性能が向上した。
• 個々のモデルと比較して、モデルコミッティは予測誤差を低減し、太陽放射予測におけるアンサンブル学習の価値を示した。