Wyniki 1-1 spośród 1 dla zapytania: authorDesc:"Jacek KAMIŃSKI"

Dobór zmiennych objaśniających z wykorzystaniem metody MARSplines na przykładzie prognozowania dobowego zapotrzebowania na moc szczytową 15-minutową w KSE DOI:10.15199/48.2019.08.03

Czytaj za darmo! »

Metoda MARSplines (ang. Multivariate Adaptive Regression Splines) stanowi wielozmienną adaptacyjną metodę regresyjną wykorzystującą funkcje sklejane (tzw. splajny). Autorem tej metody, która została zaproponowana w 1991 r., jest Jerome H. Friedman [1]. Metoda MARSplines oznaczona jest znakiem towarowym, a właścicielem jej licencji jest firma Salford Systems. Algorytm został zaprojektowany dla średnich zbiorów danych, które nie przekraczały 1000 obserwacji i dotyczyły maksymalnie 20 zmiennych objaśniających [1]. Przeprowadzone analizy wykonano na przykładzie prognozowania zapotrzebowania na moc szczytową w Krajowym Systemie Elektroenergetycznym (KSE). Moc szczytowa, w analizowanym przykładzie, stanowi najwyższą wartość 15-minutowego poboru mocy czynnej, z uwzględnieniem strat wynikających z jej przesyłu. Zalety metody MARSplines Zaletami metody MARSplines są [2, 3, 4]: - rozwiązywanie problemów regresyjnych i klasyfikacyjnych; - nieparametryczność natury metody skutkująca brakiem wymagania co do założeń nt. zależności pomiędzy zmiennymi niezależnymi i zmiennymi zależnymi (zależność liniowa, logistyczna itp.); - elastyczność wyższa niż metod regresji liniowej; - łatwość zrozumienia modeli i ich interpretacji; - możliwość pracy z danymi ciągłymi i dyskretnymi; - łatwiejsze operowanie na zmiennych numerycznych w wyniku braku stałej segmentacji danych; - automatyczny dobór zmiennych; - łatwość modelowania nieliniowości; - łatwość modelowania interakcji pomiędzy zmiennymi co pozwala na lepsze odzwierciedlenie w prognozie czynników opisujących zjawisko (np. zróżnicowanie zapotrzebowania na moc w poszczególnych dniach tygodnia); - łatwość pracy z dużymi zbiorami danych; - łatwość pracy ze zmiennymi o dużym poziomie skomplikowania, niemonotoniczności oraz trudności w modelowaniu typu parametrycznego; - szybkość budowania modeli dla dużych zbiorów danych (w szczególności w porównaniu do metody Supported Vector Machines, w któ[...]

 Strona 1