Prognozowanie szeregów czasowych za pomocą głęboko uczonych sztucznych sieci neuronowych na przykładzie rynku energii elektrycznej

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.