Lower Upper Bound Estimation (LUBE) 결정론적 예측 구간

 

 

 

Prediction intervals (PI)는 point 예측과 관련된 불확실성 수준을 정량화하여 더 많은 정보를 제공할 수 있다는 점에서 제안되었는데, ref.[1]에서는 Nerual Network (NN) 기반 PI를 구축하는 방법을 최적의 조건에서 빠르게 실행할 수 있는 방법을 제안하였음. 

 

제안된 Lower Upper Bound Estimation (LUBE) 추정 방법은 예측 구간 경계를 추정하기 위함이며, 

대부분의 경우 PI 생성을 목적으로 사용되는 NN 구조에서는 PI 하한 및 상한에 각각 대응하는 단일 hidden layer와

두 개의 출력층으로 구성되고, 시뮬레이션을 통해 cost function 및 파라미터 최적화가 진행됨. 

 

 

 

 

Fig.19. 는 ref.[2]가 제안하는 PV 발전량 예측 프레임워크로 지표면에 도달한 일사 값을 기반으로 Class 1~5로 나눈 뒤, LUBE-Transformer 모델을 통해 예측을 진행하게 된다. 

 

 

(위) 날씨 분류 사용 / (아래) 날씨 분류 미사용

여기서 LUBE-Transformer 모델의 예측 결과를 두 케이스로 보여줬는데,

확률론적 학습을 통해서 날씨 분류를 사용했을 때의 제안 모델이 분포 구간이 좁아 PV 예측 측면에서 신뢰할 수 있음을 확인할 수 있었음. 그리고 PV 전력 변동 폭이 잦아질수록 예측 구간이 넓어지는 경향을 보이는데, 이건 PV 전력 예측의 불확실성이 상대적으로 높은 것을 의미함. 

 

 

다양한 데이터 전처리 과정 케이스에서 모델 학습 시 확률론적 학습을 통해 예측 간격의 폭을 최소화할 수 있는 것을 알 수 있었음. 

 

수식측면에서는 보면 좋겠지만 ref. [2] 논문 같은 경우에도 바로 적용 > 결과를 보여줘서 생략해도 될 듯하다. 

 

 

 

ref. 

https://www.semanticscholar.org/paper/Lower-Upper-Bound-Estimation-Method-for-of-Neural-Khosravi-Nahavandi/fad253f283561cd4cd19a732da5288ab1820a21b