Multivariate Probabilistic CRPS Learning with an Application to Day-Ahead Electricity Prices
多变量概率预测的 CRPS 学习及日前电价应用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：摘要核心是在线多变量概率预测组合，并应用于日前电价预测，对应预测方法方向。
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
多变量概率预测的 CRPS 学习及日前电价应用
- 研究问题
- 如何在线组合多变量概率预测，在不同分位数及边际预测之间协调组合权重，并改善二十四维日前电价分布预测的评分表现？
- 方法与思路
- 作者基于 Bernstein 在线聚合扩展 CRPS 学习，采用跨分位数聚合，并通过基矩阵降维或惩罚平滑协调分位数与边际之间的关系。
- 材料陈述的贡献
- 摘要称算法具有最优渐近学习性质，日前电价应用的 CRPS 显著优于等权组合，并提供 R 包 profoc 中的快速 C++ 实现。
- 阅读关注点
- 应核对最优学习性质的比较基准和条件、平滑如何处理跨维关系，以及超参数选择、分位数交叉和电价预测的样本外评价。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此认定已同行评审或被期刊接收；摘要未给出理论界或显著性检验细节，软件状态未经核验。
原文摘要
This paper presents a new method for combining (or aggregating or ensembling) multivariate probabilistic forecasts, considering dependencies between quantiles and marginals through a smoothing procedure that allows for online learning. We discuss two smoothing methods: dimensionality reduction using Basis matrices and penalized smoothing. The new online learning algorithm generalizes the standard CRPS learning framework into multivariate dimensions. It is based on Bernstein Online Aggregation (BOA) and yields optimal asymptotic learning properties. The procedure uses horizontal aggregation, i.e., aggregation across quantiles. We provide an in-depth discussion on possible extensions of the algorithm and several nested cases related to the existing literature on online forecast combination. We apply the proposed methodology to forecasting day-ahead electricity prices, which are 24-dimensional distributional forecasts. The proposed method yields significant improvements over uniform combination in terms of continuous ranked probability score (CRPS). We discuss the temporal evolution of the weights and hyperparameters and present the results of reduced versions of the preferred model. A fast C++ implementation of the proposed algorithm is provided in the open-source R-Package profoc on CRAN.