الگوریتم پیش‌بینی و انتخاب یادگیرنده برای قیمت برق روز آینده اروپا

عنوان الگوریتم پیش‌بینی و انتخاب یادگیرنده برای قیمت برق روز آینده اروپا
نویسنده اولگن، تویگار، ال سید، احمد، پویرازوغلو، گوکترک
تاریخ انتشار: 2020-10
محل انتشار - IEEE
موضوع روش های پیش بینی سری زمانی، قیمت برق، پیش بینی، طبقه بندی
نوع سند
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه: دانشگاه اوزیغین
شناسه دارایی کتابخانه 978-1-7281-6264-5
شماره ثبت 398f008e-7a6b-4fd7-8cd0-e360ef907625
محل کتابخانه مهندسی برق و الکترونیک
تاریخ 2020-10
متن نمونه پیش بینی قیمت روز آینده برق با دقت بالاتر همیشه برای فعالان بازار بورس برق مفید است. این مطالعه در وهله اول برای یافتن بهترین روش پیش‌بینی سری زمانی برای 14 کشور اروپایی منتخب انجام شد. نتایج آزمون چهار روش سری زمانی نشان می‌دهد که قیمت‌های روز بعد در 87 درصد از کشورهای منتخب مطابقت بیشتری با قیمت‌های روز قبل داشتند. بعداً یک رویکرد طبقه‌بندی با 33 ویژگی مختلف از هر کشور دنبال می‌شود تا به این سؤال پاسخ داده شود که کدام روش برای کشورهای دیگر که در این مقاله مورد مطالعه قرار نگرفته‌اند، بهترین است؟ در نتیجه، الگوریتم ماشین بردار پشتیبان در طبقه‌بندی یک کشور ناشناخته اروپایی برای تعیین بهترین روش پیش‌بینی دقت 57 درصدی را به همراه دارد. بنابراین، این مقاله اکنون بر روی دو مطالعه مرتبط برای یافتن بهترین روش‌های پیش‌بینی سری زمانی و یک رویکرد طبقه‌بندی برای کشورهای منتخب تمرکز می‌کند.
DOI 10.1109/GPECOM49333.2020.9247915
مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی نسخه های خطی عثمانی
دانشگاه اوزیغین - موتور جستجوی نسخه های خطی عثمانی دانشگاه اوزیغین

الگوریتم پیش‌بینی و انتخاب یادگیرنده برای قیمت برق روز آینده اروپا

نویسنده اولگن، تویگار، ال سید، احمد، پویرازوغلو، گوکترک
تاریخ انتشار 2020-10
محل انتشار - IEEE
موضوع روش های پیش بینی سری زمانی، قیمت برق، پیش بینی، طبقه بندی
نوع سند
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه دانشگاه اوزیغین
شناسه دارایی کتابخانه 978-1-7281-6264-5
شماره ثبت 398f008e-7a6b-4fd7-8cd0-e360ef907625
محل کتابخانه مهندسی برق و الکترونیک
تاریخ 2020-10
متن نمونه پیش بینی قیمت روز آینده برق با دقت بالاتر همیشه برای فعالان بازار بورس برق مفید است. این مطالعه در وهله اول برای یافتن بهترین روش پیش‌بینی سری زمانی برای 14 کشور اروپایی منتخب انجام شد. نتایج آزمون چهار روش سری زمانی نشان می‌دهد که قیمت‌های روز بعد در 87 درصد از کشورهای منتخب مطابقت بیشتری با قیمت‌های روز قبل داشتند. بعداً یک رویکرد طبقه‌بندی با 33 ویژگی مختلف از هر کشور دنبال می‌شود تا به این سؤال پاسخ داده شود که کدام روش برای کشورهای دیگر که در این مقاله مورد مطالعه قرار نگرفته‌اند، بهترین است؟ در نتیجه، الگوریتم ماشین بردار پشتیبان در طبقه‌بندی یک کشور ناشناخته اروپایی برای تعیین بهترین روش پیش‌بینی دقت 57 درصدی را به همراه دارد. بنابراین، این مقاله اکنون بر روی دو مطالعه مرتبط برای یافتن بهترین روش‌های پیش‌بینی سری زمانی و یک رویکرد طبقه‌بندی برای کشورهای منتخب تمرکز می‌کند.
DOI 10.1109/GPECOM49333.2020.9247915
دانشگاه اوزیغین - موتور جستجوی نسخه های خطی عثمانی
دانشگاه اوزیغین شما در حال هدایت مجدد هستید...

لطفاً صبر کنید