PROGNOZOWANIE SZEREGÓW CZASOWYCH ZA POMOCĄ GŁĘBOKO UCZONYCH SZTUCZNYCH SIECI NEURONOWYCH NA PRZYKŁADZIE RYNKU ENERGII ELEKTRYCZNEJ
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.032 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".