PROGNOZOWANIE SZEREGÓW CZASOWYCH ZA POMOCĄ GŁĘBOKO UCZONYCH SZTUCZNYCH SIECI NEURONOWYCH NA PRZYKŁADZIE RYNKU ENERGII ELEKTRYCZNEJ
Notice bibliographique
Résumé
W rozdziale poruszono zagadnienie prognozowania na rynku energii elektrycznej przy użyciu nowoczesnych głęboko uczonych sieci o architekturze konwolucyjno-rekurencyjnej typu dwukierunkowej długiej pamięci krótkoterminowej. Prognozom poddano popyt na rynku kanadyjskiej prowincji Ontario. Przewidywano popyt na dzień do przodu dla dwudziestu czterech godzin w jednym kroku. Dane objęły okres od 1 stycznia 2015 roku do 25 sierpnia 2025 roku. Tak duży zbiór danych umożliwił uzyskanie wiarygodnych wyników. Podczas trenowania modeli zastosowano mechanizmy zapobiegające przeuczeniu bazujące na odpowiedzi sieci na dane ze zbioru walidacyjnego. Precyzyjny trening był możliwy poprzez użycie mechanizmu redukcji współczynnika uczenia. Zoptymalizowana selekcja hiperparametrów możliwa była między innymi dzięki zastosowaniu narzędzia bazującego na zasadach optymalizacji bayesowskiej z wykorzystaniem estymatorów okien Parzen’a. Do oceny jakości modeli posłużono się miarami błędów. Najlepszą sieć cechował symetryczny średni bezwzględny błąd procentowy na poziomie 4,12 procenta.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».