Predicting Electricity Consumption with Random Walks on Gaussian Processes
利用高斯过程上的随机游走预测用电量AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以法国短期用电量时间序列预测为任务，方法核心是降低预测模型的训练成本。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用高斯过程上的随机游走预测用电量
- 研究问题
- 面对数据稀缺、收集困难或模型训练成本过高的时间序列任务，如何以较少训练投入完成不同空间尺度的短期用电预测？
- 方法与思路
- 作者组合多个高斯过程，根据已训练模型的表现设计模型之间的随机游走，形成名为 Domino 的贝叶斯决策与预测算法。
- 材料陈述的贡献
- 摘要称该算法能够缓解高斯过程集成的训练成本，并以法国短期用电量预测的数值实验展示方法的潜在效果。
- 阅读关注点
- 应核对随机游走的状态与转移规则、模型表现如何影响选择、训练成本的计量方式，以及预测精度与计算投入的权衡。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未报告误差或成本降幅，也未明确少样本设定与比较基准。
原文摘要
We consider time-series forecasting problems where data is scarce, difficult to gather, or induces a prohibitive computational cost. As a first attempt, we focus on short-term electricity consumption in France, which is of strategic importance for energy suppliers and public stakeholders. The complexity of this problem and the many levels of geospatial granularity motivate the use of an ensemble of Gaussian Processes (GPs). Whilst GPs are remarkable predictors, they are computationally expensive to train, which calls for a frugal few-shot learning approach. By taking into account performance on GPs trained on a dataset and designing a random walk on these, we mitigate the training cost of our entire Bayesian decision-making procedure. We introduce our algorithm called \textsc{Domino} (ranDOM walk on gaussIaN prOcesses) and present numerical experiments to support its merits.