Daily electricity price forecasting (report)
Материал из MachineLearning.
(→Постановка задачи) |
(→Постановка задачи) |
||
Строка 18: | Строка 18: | ||
Мы испольуем предположение о линейной зависимости откликов от признаков или их различных производных. Также модель должна использовать периодичность конечных данных. | Мы испольуем предположение о линейной зависимости откликов от признаков или их различных производных. Также модель должна использовать периодичность конечных данных. | ||
== Постановка задачи == | == Постановка задачи == | ||
+ | |||
+ | У нас есть временной ряд из матрицы <tex>X</tex> признаков и вектора <tex>Y</tex> ответов. Нам необходимо восстановить вектор ответов <tex>\hat{Y}</tex> по матрице признаков <tex>\hat{X}</tex>. Известно, что временной ряд, который необходимо восстановить идет непосредственно после временного ряда, ответы для которого нам известны. | ||
+ | |||
+ | Предлагается использовать функционал качества MAPE: | ||
+ | |||
+ | : <tex>{ Q(\hat{Y}) = \sum_{i=1}^n \frac{|y_i-\hat{y}_i|}{|y_i|}</tex>, | ||
+ | |||
+ | где <tex>\hat{Y} = (\hat{y}_1, \hat{y}_2, \dots, \hat{y}_n )</tex> -- восстановленные ответы, а <tex>Y = (y_1, y_2, \dots , y_n)</tex> -- правильные ответы. | ||
== Описание алгоритмов == | == Описание алгоритмов == |
Версия 11:27, 19 октября 2009
Введение в проект
Описание проекта
Цель проекта
Цель проекта - прогнозирование ежедневных цен на электричество. Горизонт прогнозирования - один месяц.
Обоснование проекта
Полученные данные могут быть использованы для хеджинга или другой игры на свободном рынке цен на электричество.
Описание данных
У нас есть данные с 01/01/2003 до сегодняшнего дня. Данные для прогнозирования состоят из временного ряда, различных погодных параметров (температура, скорость ветра, относительная влажность, ...) и средних цен на электричество.
Критерии качества
Критерием качества служит скользящий контроль. Мы разбиваем данные на основную выборку - все данные без данных за последний месяц и контрольную выборку - данные за последний месяц. Эту процедуру можно повторить для всех месяцев полседнего года. Целевая функция MAPE (средняя абсолютная ошибка в процентах) для посленего месяца.
Требования к проекту
Месячная ошибка для нашего алгоритма должна быть меньше ошибки для алгоритма заказчика (LASSO).
Выполнимость проекта
В данных отсутствует информация о пиках, предсказание которых является отдельной задачей.
Используемые методы
Мы испольуем предположение о линейной зависимости откликов от признаков или их различных производных. Также модель должна использовать периодичность конечных данных.
Постановка задачи
У нас есть временной ряд из матрицы признаков и вектора
ответов. Нам необходимо восстановить вектор ответов
по матрице признаков
. Известно, что временной ряд, который необходимо восстановить идет непосредственно после временного ряда, ответы для которого нам известны.
Предлагается использовать функционал качества MAPE:
-
,
где -- восстановленные ответы, а
-- правильные ответы.
Описание алгоритмов
Обзор литературы
Базовые предположения
Математическое описание
Варианты или модификации
Описание системы
- Ссылка на файл system.docs
- Ссылка на файлы системы
Отчет о вычислительных экспериментах
Визуальный анализ работы алгоритма
Анализ качества работы алгоритма
Анализ зависимости работы алгоритма от параметров
Отчет о полученных результатах
Список литературы
![]() | Данная статья является непроверенным учебным заданием.
До указанного срока статья не должна редактироваться другими участниками проекта MachineLearning.ru. По его окончании любой участник вправе исправить данную статью по своему усмотрению и удалить данное предупреждение, выводимое с помощью шаблона {{Задание}}. См. также методические указания по использованию Ресурса MachineLearning.ru в учебном процессе. |