[논문 리뷰] Nearest-Neighbor Based Non-Parametric Probabilistic Forecasting with Applications in Photovoltaic Systems
이 논문은 비모수적 확률 예측을 단순화하기 위해 k-최근접 이웃(k-NN) 기반 방법을 제안한다. 이는 기존의 미분 불가능한 핀발 보상 손실을 최적화하지 않고도 기존의 회귀 모델이 분위수 회귀를 수행할 수 있도록 학습 데이터를 변환한다. 이 방법은 태양광 발전의 정확한 확률 예측을 달성하며, 지원 벡터 회귀(SVR)가 더 긴 학습 시간을 가지더라도 가장 정확한 구간 예측을 제공한다.
The present contribution offers a simple methodology for the obtainment of data-driven interval forecasting models by combining pairs of quantile regressions. Those regressions are created without the usage of the non-differentiable pinball-loss function, but through a k-nearest-neighbors based training set transformation and traditional regression approaches. By leaving the underlying training algorithms of the data mining techniques unchanged, the presented approach simplifies the creation of quantile regressions with more complex techniques (e.g. artificial neural networks). The quality of the presented methodology is tested on the usecase of photovoltaic power forecasting, for which quantile regressions using polynomial models as well as artificial neural networks and support vector regressions are created. From the resulting evaluation values it can be concluded that acceptable interval forecasting models are created.
연구 동기 및 목표
- 핀발 손실과 같은 비미분 가능한 손실 함수를 사용할 때 복잡한 비모수적 확률 예측 모델을 훈련하는 데 도전하는 데 목적을 두며.
- k-NN를 통해 학습 데이터를 변환하여 인공 신경망(ANN) 및 지원 벡터 회귀(SVR)와 같은 고급 모델에 대한 분위수 회귀 생성을 단순화하는 데 목적을 두며.
- 통제된 커버리지로 여러 분위수 회귀를 조합하여 태양광 발전 시스템에서의 확률 예측을 가능하게 하는 데 목적을 두며.
- 다양한 회귀 기법과 k-NN 설정을 사용하여 실제 태양광 발전 데이터에 대한 제안된 방법의 성능을 평가하는 데 목적을 두며.
- 다양한 명목 커버리지 수준에서 결과 예측 구간의 신뢰성과 정확성을 평가하는 데 목적을 두며.
제안 방법
- 각 목표 점에 대해 k개의 최근접 이웃을 선택하여 학습 데이터셋을 변환하고, 이들의 목표 값으로 각 분위수에 대해 표준 회귀 모델을 훈련한다.
- 각 분위수 q ∈ [0.01, 0.99]에 대해, k-NN 서브셋을 기반으로 별도의 회귀 모델을 훈련하여 목표 변수의 조건부 q-분위수를 근사한다.
- k-NN 변환은 각 분위수 회귀의 학습 데이터가 국소적으로 대표성을 가지게 하여, 기존의 회귀 알고리즘이 암묵적으로 분위수 행동을 학습할 수 있도록 한다.
- 예측 구간은 두 개의 분위수 회귀 출력(예: q = 0.1 및 q = 0.9)을 조합하여 특정 명목 커버리지를 가진 확률 예측을 생성한다.
- k-NN를 통한 데이터 재가중을 활용하여 비미분 가능한 핀발 손실의 직접 최적화를 피함으로써, ANN, SVR 및 다항 모델과 같은 표준 훈련 알고리즘을 유지한다.
- 모델 평가는 신뢰성 이격도와 핀발 손실을 사용하여 구간 품질을 평가하며, 결과는 근접 이웃 수와 명목 커버리지의 변화에 따라 분석된다.
실험 결과
연구 질문
- RQ1k-최근접 이웃 데이터 변환은 비미분 가능한 손실 함수 최적화 없이도 표준 회귀 모델이 분위수 회귀를 수행할 수 있도록 할 수 있는가?
- RQ2근접 이웃 수가 태양광 발전 예측에서 예측 구간의 신뢰성과 정확성에 어떤 영향을 미치는가?
- RQ3제안된 방법은 기존 방법에 비해 SVR 및 ANN과 같은 복잡한 모델에 적용했을 때 더 정확하고 신뢰할 수 있는 예측 구간을 제공하는가?
- RQ4k-NN 기반 분위수 회귀 프레임워크를 사용할 때 다항, ANN, SVR 등의 다양한 회귀 기법 간 성능 비교는 어떻게 이루어지는가?
- RQ5결과로 도출된 예측 구간은 명목 커버리지를 유지하고, 비어 있거나 과소 평가된 예측을 방지하는 데 얼마나 효과적인가?
주요 결과
- k-NN 기반 방법은 학습 데이터를 변환하여 표준 회귀 모델이 비미분 가능한 핀발 손실 함수를 직접 최적화하지 않고도 분위수 회귀를 수행할 수 있도록 성공적으로 가능하게 하였다.
- 지원 벡터 회귀(SVR)가 가장 정확한 분위수 회귀와 예측 구간 예측을 도출하였지만, 학습 시간이 상당히 길었으며(99개 분위수 기준 약 24분),
- 다항 모델은 매우 짧은 학습 시간(99개 분위수 기준 약 1분)으로 만족스러운 성능를 달성하여 실시간 응용에 효율적이다.
- 인공 신경망(ANN)은 약 12분의 학습 시간으로 99개 분위수 회귀를 훈련하여 정확성과 계산 비용 사이의 균형을 잘 유지하였다.
- 명목 커버리지가 0.3 이상일 경우 예측 구간의 신뢰성 이격도가 낮아, 다양한 명목 커버리지에서 일관된 성능을 보였다.
- 비어 있지 않은 예측 구간 생성이 확인되었으며, 커버리지가 0.4 이상일 경우 낮은 핀발 손실과 낮은 커버리지 이외의 관측 분위수 비율이 높아, 비어 있지 않은 예측 구간 생성이 효과적으로 이루어졌음을 입증하였다.
더 나은 연구,지금 바로 시작하세요
논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.
카드 등록 없음 · 무료 플랜 제공
이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.