[論文レビュー] A Multi-variable Stacked Long-Short Term Memory Network for Wind Speed Forecasting

Sisheng Liang, Long Nguyen+1 more|arXiv (Cornell University)|Nov 24, 2018

Energy Load and Power Forecasting被引用数 4

ひとこと要約

本稿では、過去の風速、風向き、気温、湿度、気圧、露点、日射量を活用して短期的な風速予測を向上させる多変数スタック型長短期記憶ネットワーク（MSLSTM）を提案する。モデルはスタックされたLSTM層を用いて複雑な時系列的依存関係とマルチスケールパターンを捉え、テキサス州ウエストにおける5分間の風速予測で決定係数R²が0.99917に達する最先端の性能を達成した。

ABSTRACT

Precisely forecasting wind speed is essential for wind power producers and grid operators. However, this task is challenging due to the stochasticity of wind speed. To accurately predict short-term wind speed under uncertainties, this paper proposed a multi-variable stacked LSTMs model (MSLSTM). The proposed method utilizes multiple historical meteorological variables, such as wind speed, temperature, humidity, pressure, dew point and solar radiation to accurately predict wind speeds. The prediction performance is extensively assessed using real data collected in West Texas, USA. The experimental results show that the proposed MSLSTM can preferably capture and learn uncertainties while output competitive performance.

研究の動機と目的

• 風の確率的かつ途切れ途切れの性質に起因する正確な短期的風速予測の課題に対処する。
• 風速以外の複数の気象変数を組み込むことで予測精度を向上させる。
• 風速時系列における長期間および短期間の時系列的依存関係を捉えることが可能なディーブラーニングモデルの開発。
• スタックされたLSTMアーキテクチャにおけるドロップアウト正則化を用いて、風速予測における過学習を軽減する。
• 実世界のデータにおいて、従来の統計的手法および浅い学習手法と比較して、提案されたMSLSTMモデルの優位性を示す。

提案手法

• 風速、風向き、気温、湿度、気圧、露点、日射量を含む多変数入力系列を活用する。
• 時系列パターンの階層的表現を学習するために、2段のスタックされたLSTM層を採用する。
• 消失勾配問題の緩和と収束速度の向上を図るため、ReLU活性化関数を適用する。
• 過学習を防止するために、スタックされたLSTMの後に5%のドロップアウト層を組み込む。
• スタックされたLSTMおよびドロップアウト層の後に、出力予測用の全結合層を適用する。
• すべての入力特徴量に対してミニマム・マックス正規化を適用し、スケールの一貫性を確保するとともに、学習の安定性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 複数の気象変数を統合したディーブラーニングモデルは、単一変数モデルと比較して短期的風速予測の精度を向上させることができるか？
• RQ2 複数のLSTM層をスタックすることで、風速時系列における長期間および短期間の依存関係を捉える能力が向上するか？
• RQ3 提案されたMSLSTMモデルは、線形回帰、LASSO、リッジ、および標準LSTMといった従来手法と比較して、性能に優れているか？
• RQ4 MSLSTMモデルは、実世界の5分間風速データにおいて、予測誤差（MSE、RMSE、MAE）をどの程度低減させ、R²を向上させることができるか？
• RQ5 気圧や日射量といった大気変数の組み込みにより、天候状況の変化に伴う予測のロバスト性が向上するか？

主な発見

• MSLSTMモデルはテストセットでR²が0.99917に達し、すべてのベースラインモデルを大きく上回った。
• MSLSTMモデルは、テスト済みのすべてのモデルの中で最小のMSE（0.00297）、RMSE（0.05448）、MAE（0.04275）を記録した。
• 標準LSTMと比較して、MSLSTMはRMSEを48%以上、MAEを58%以上低減させ、LSTM層のスタックによる利点を示した。
• モデルの性能は、さまざまな天候状況においても安定しており、多変数入力のおかげで予測の安定性が向上した。
• トレーニング損失とテスト損失の曲線がよく一致しており、効果的な一般化と最小限の過学習を示している。
• すべての評価指標において、MSLSTMは重回帰分析、LASSO、リッジ、および標準LSTMを上回り、複雑な風のダイナミクスを捉える優位性を確認した。