We present an electricity demand fo

We present an electricity demand forecasting algorithm
based on Gaussian processes. By introducing a taskspecific,
custom covariance function kpower, which incorporates
all available seasonal information as well
as weather data, we are able to make accurate predictions
of power consumption and renewable energy production.
The hyper-parameters of the Gaussian process
are optimized automatically using marginal likelihood
maximization. There are no parameters to be specified
by the user. We evaluate the prediction performance on
simulated data and get superior results compared to a
simple baseline method.

ผลลัพธ์ (ไทย) 1:

เรานำเสนอความต้องการไฟฟ้าที่อัลกอริทึมการคาดการณ์คะแนนเฉลียจากนที่กระบวนการ โดยการแนะนำ taskspecificแปรปรวนแบบกำหนดเองฟังก์ชัน kpower ซึ่งประกอบด้วยข้อมูลทั้งหมดที่มีตามฤดูกาลเช่นเป็นข้อมูลสภาพอากาศ เราจะสามารถคะเนแม่นยำการใช้พลังงานและผลิตพลังงานทดแทนไฮเปอร์พารามิเตอร์ของกระบวนการนที่เหมาะสมโดยอัตโนมัติโดยใช้โอกาสที่ร่อแร่maximization ไม่มีพารามิเตอร์เพื่อระบุโดยผู้ใช้งาน เราประเมินผลทำนายในจำลองข้อมูล และได้ผลลัพธ์ที่เหนือกว่าเมื่อเทียบกับการวิธีการพื้นฐานอย่างง่าย

ผลลัพธ์ (ไทย) 2:

เรานำเสนอขั้นตอนวิธีการพยากรณ์ความต้องการใช้ไฟฟ้า
ขึ้นอยู่กับกระบวนการเสียน โดยการแนะนำ taskspecific,
แปรปรวนที่กำหนดเอง kpower ฟังก์ชั่นซึ่งประกอบด้วย
ข้อมูลทั้งหมดที่มีอยู่ตามฤดูกาลเช่นเดียว
เป็นข้อมูลสภาพอากาศ, เราสามารถที่จะทำให้การคาดการณ์ที่ถูกต้อง
ของการใช้พลังงานและการผลิตพลังงานทดแทน
พารามิเตอร์ที่มากเกินไปของกระบวนการเสียน
จะเพิ่มประสิทธิภาพโดยอัตโนมัติโดยใช้โอกาสร่อแร่
สูงสุด มีตัวแปรที่จะระบุไม่มี
โดยผู้ใช้ เราประเมินประสิทธิภาพการคาดการณ์เกี่ยวกับ
ข้อมูลจำลองและได้รับผลลัพธ์ที่ดีกว่าเมื่อเทียบกับ
วิธีการพื้นฐานที่เรียบง่าย

ผลลัพธ์ (ไทย) 3:

เราเสนอขั้นตอนวิธีการพยากรณ์ความต้องการไฟฟ้าตามกระบวนการเกาส์เซียน . โดย taskspecific แนะนํา ,ฟังก์ชันที่กำหนดเอง kpower ร่วมซึ่งประกอบด้วยข้อมูลทั้งหมดของฤดูกาลเช่นกันข้อมูลสภาพอากาศ , เราสามารถที่จะทำให้การคาดการณ์ที่ถูกต้องของการใช้พลังงานและผลิตพลังงานทดแทนพารามิเตอร์ของกระบวนการ ) ไฮเปอร์ที่ดีที่สุดโดยอัตโนมัติโดยใช้โอกาส ?สูงสุด . ไม่มีพารามิเตอร์จะถูกระบุโดยผู้ใช้ เราประเมินประสิทธิภาพการทำนายจำลองข้อมูลและได้รับผลลัพธ์ที่ดีกว่าเมื่อเทียบกับวิธีพื้นฐานง่ายๆ