[論文レビュー] Wind energy forecasting with missing values within a fully conditional specification framework

Honglin Wen, Pierre Pinson+2 more|arXiv (Cornell University)|Mar 15, 2022

Energy Load and Power Forecasting参考文献 33被引用数 4

ひとこと要約

本稿では、欠損値が発生する状況下でも、モデル推定段階と運用予測段階の両方で入力特徴量と目的変数の欠損を統合的に処理する、完全条件付き指定（FCS）に基づくユニバーサル補完フレームワークを、風力発電予測に対して提案する。欠損値がランダムに発生するという仮定の下で、予測を統合的補完と予測の問題として扱うことで、特に確率的予測において、標準的な「補完してから予測する」手法を上回る性能を発揮し、段階間の一貫性を保ちつつ過学習のリスクを低減する。

ABSTRACT

Wind power forecasting is essential to power system operation and electricity markets. As abundant data became available thanks to the deployment of measurement infrastructures and the democratization of meteorological modelling, extensive data-driven approaches have been developed within both point and probabilistic forecasting frameworks. These models usually assume that the dataset at hand is complete and overlook missing value issues that often occur in practice. In contrast to that common approach, we rigorously consider here the wind power forecasting problem in the presence of missing values, by jointly accommodating imputation and forecasting tasks. Our approach allows inferring the joint distribution of input features and target variables at the model estimation stage based on incomplete observations only. We place emphasis on a fully conditional specification method owing to its desirable properties, e.g., being assumption-free when it comes to these joint distributions. Then, at the operational forecasting stage, with available features at hand, one can issue forecasts by implicitly imputing all missing entries. The approach is applicable to both point and probabilistic forecasting, while yielding competitive forecast quality within both simulation and real-world case studies. It confirms that by using a powerful universal imputation method like fully conditional specification, the proposed approach is superior to the common approach, especially in the context of probabilistic forecasting.

研究の動機と目的

• 風力発電予測データセットに広く見られる欠損値の問題に取り組み、これがしばしばデータ損失や予測精度の低下を引き起こすことを目的とする。
• モデル推定段階と運用予測段階の間に一貫性のない予測フレームワークを回避するため、補完と予測を統合的にモデル化する一貫性のある予測フレームワークを開発することを目的とする。
• 異なる欠損データ率の下で、点予測および確率的予測の両設定における提案手法の性能を評価することを目的とする。
• FCSに基づく手法と従来の「補完してから予測する」戦略を比較し、特に予測精度とロバストネスの観点から評価することを目的とする。
• 次元数が増加する際の、本手法の計算的実行可能性とスケーラビリティを評価することを目的とする。

提案手法

• 本手法は、完全条件付き指定（FCS）を用いた複数回の補完を採用し、各変数の他のすべての変数を条件とする分布を逐次的・反復的にモデル化する。
• モデル推定段階では、完全なケースを必要とせず、欠損値がランダムに発生する（MAR）という仮定の下、観測済みデータのみを用いてパラメータを推定する。
• 運用予測段階では、入力特徴量と目的変数の両方を欠損値として扱い、学習済みの条件付きモデルを用いて反復的に補完する。
• 入力と目的変数の同時分布からの複数の補完実現を生成できることから、確率的予測を自然にサポートする。
• 本フレームワークは点予測および確率的予測の両方に適用可能であり、分位数回帰やディープラーニングを含むさまざまなベースモデルと互換性を持つ。
• 訓練段階で用いられた統合的モデリングと推論段階での補完が一致するため、「補完してから予測する」手法に起因する一貫性の欠如を回避する。

実験結果

リサーチクエスチョン

• RQ1 提案されたFCSに基づくユニバーサル補完フレームワークは、欠損データ下での予測精度において、標準的な「補完してから予測する」手法と比べてどの程度優れているか？
• RQ2 補完と予測の統合的モデリングは、逐次的な補完と予測と比較して、確率的予測の品質を向上させることができるか？
• RQ3 欠損データが存在する状況下で、本手法は過学習のリスクをどの程度軽減できるか？
• RQ4 欠損データ率が上昇するに従って予測性能はどの程度低下するのか？また、その条件下でFCS手法はどのように性能を発揮するか？
• RQ5 FCSに基づく手法の計算コストはどの程度で、次元数が増加する高次元風力発電データセットに対してもスケーラブルか？

主な発見

• FCSに基づく手法は、点予測および確率的予測の両設定において、「補完してから予測する」手法を上回る性能を発揮し、特に確率的予測の文脈で顕著な優位性を示す。
• 変数間の情報共有とモデル推定段階と運用予測段階の一貫性を保つことで、過学習のリスクを低減する。
• 欠損データ率が上昇するに従って予測品質は低下するが、FCS手法は全テストレートで優れた性能を維持する。
• FCSモデルの学習時間は、標準的な分位数回帰（QR）モデルよりも長いが、DeepARなどのディープラーニングベースラインと比較すると管理可能な水準にとどまる。
• FCS手法の運用推論時間は短く（1回の予測あたり0.01秒）、リアルタイム応用に適している。
• 複数の補完実現を介して一貫性のある確率的予測が可能となり、入力と目的変数の両方における不確実性を自然に捉えることができる。