JP6852392B2 - 確率的価格及び急変予測 - Google Patents
確率的価格及び急変予測 Download PDFInfo
- Publication number
- JP6852392B2 JP6852392B2 JP2016252911A JP2016252911A JP6852392B2 JP 6852392 B2 JP6852392 B2 JP 6852392B2 JP 2016252911 A JP2016252911 A JP 2016252911A JP 2016252911 A JP2016252911 A JP 2016252911A JP 6852392 B2 JP6852392 B2 JP 6852392B2
- Authority
- JP
- Japan
- Prior art keywords
- price
- sudden change
- data
- information
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Description
1. b=1からBまで:
(a)訓練データからサイズNのブートスラップサンプルZ*を取り出す。
(b)ランダムフォレストツリーTbを、最小ノードサイズnminに到達するまで、該ツリーの各終端ノードに対して:
(i)p変数からランダムにm変数を選択する
(ii)mの中で最良の変数/分裂点を選ぶ
(iii)そのノードを2つのドータノードへと分裂させる
というステップを再帰的に繰り返すことによって、ブートストラップされたデータに対して成長させる。
2. ツリーの集合:
回帰:
(特定の分位予測の重み)/(分位重みの合計)
を含み得る。ここで、特定の分位予測は、所与の観測に関して正確であり得る。
(付記1) コモディティの価格の急変の予測を実行することの要求を取得し、
前記要求に基づいて、前記コモディティの更なる情報を外部ソースから取得し、
第1の機械学習アルゴリズムを用いて、前記外部ソースから取得した前記更なる情報に少なくとも部分的に基づいて、前記急変の確率を決定し、
前記急変の前記確率がリスク許容範囲よりも高いとの決定に応答して、前記急変の前記確率を、電子ディスプレイ上での視覚的表示のために出力し、
前記急変の前記確率が前記リスク許容範囲よりも低いとの決定に応答して、第2の機械学習アルゴリズムを用いて、価格予測を決定し、該価格予測を決定することは、該価格予測を、前記電子ディスプレイ上での視覚的表示のために出力することを含む、
ことを有する方法。
(付記2) 前記第1及び第2の機械学習アルゴリズムはそれぞれ異なる機械学習アルゴリズムである、付記1に記載の方法。
(付記3) 前記第1の機械学習アルゴリズムはランダムフォレストアルゴリズムに基づき、前記第2の機械学習アルゴリズムは分位回帰に基づく、付記2に記載の方法。
(付記4) 前記更なる情報から1つ以上の特徴を抽出し、
抽出された特徴に基づいて前記第1の機械学習アルゴリズムを訓練する、
ことを更に有する付記1に記載の方法。
(付記5) 前記第1の機械学習アルゴリズムは、前記抽出された特徴に基づいて、又は新たな特徴に基づいて、周期的に訓練される、付記4に記載の方法。
(付記6) 前記要求は、特定の時刻及び場所を含む、付記1に記載の方法。
(付記7) 前記特定の時刻における前記価格予測が、ランダムフォレストモデル内の複数の決定木に急変価格の情報を適用することによって決定され、前記価格予測は、前記ランダムフォレストモデル内の前記複数の決定木の出力に基づく、付記6に記載の方法。
(付記8) 前記特定の時刻における前記価格予測は、前記ランダムフォレストモデル内の前記複数の決定木の前記出力の平均である、付記7に記載の方法。
(付記9) 前記ランダムフォレストモデル内の前記複数の決定木は、前記コモディティの負荷情報及び前記コモディティの先行価格情報に基づく複数の特徴を用いて生成され、前記ランダムフォレストモデル内の前記複数の決定木の各々が、前記複数の特徴のうちのサブセットを用いて構築され、前記ランダムフォレストモデル内の前記複数の決定木のうちの第1の決定木を生成するのに使用される前記複数の特徴のうちの第1のサブセットは、前記ランダムフォレストモデル内の前記複数の決定木のうちの第2の決定木を生成するのに使用される前記複数の特徴のうちの第2のサブセットとは異なる、付記7に記載の方法。
(付記10) 命令を格納した非一時的コンピュータ読み取り可能媒体であって、前記命令は、1つ以上のプロセッサによって実行されるときに、コモディティの価格の急変を予測する処理を実行し、前記処理は、
コモディティの価格の急変の予測を実行することの要求を取得し、
前記要求に基づいて、前記コモディティの更なる情報を取得し、
第1の機械学習アルゴリズムを用いて、前記更なる情報に少なくとも部分的に基づいて、前記急変の確率を決定し、
前記急変の前記確率がリスク許容範囲よりも高いとの決定に応答して、前記急変の前記確率を、電子ディスプレイ上での視覚的表示のために出力し、
前記急変の前記確率が前記リスク許容範囲よりも低いとの決定に応答して、第2の機械学習アルゴリズムを用いて、価格予測を決定し、該価格予測を決定することは、該価格予測を、前記電子ディスプレイ上での視覚的表示のために出力することを含む、
ことを有する、
非一時的コンピュータ読み取り可能媒体。
(付記11) 前記第1の機械学習アルゴリズムはランダムフォレストアルゴリズムに基づき、前記第2の機械学習アルゴリズムは分位回帰に基づく、付記10に記載の非一時的コンピュータ読み取り可能媒体。
(付記12) 前記要求は、特定の時刻を含み、前記特定の時刻における非急変価格が、急変価格の情報を用いずに決定され、前記特定の時刻における前記急変価格が、前記非急変価格の情報を用いずに決定される、付記10に記載の非一時的コンピュータ読み取り可能媒体。
(付記13) 前記処理は更に、
前記更なる情報から1つ以上の特徴を抽出し、
抽出された特徴に基づいて前記第1の機械学習アルゴリズムを訓練する、
ことを有する、付記10に記載の非一時的コンピュータ読み取り可能媒体。
(付記14) 前記要求は、特定の時刻を含み、前記特定の時刻における価格予測が、ランダムフォレストモデル内の複数の決定木に急変価格の情報を適用することによって決定され、前記価格予測は、前記ランダムフォレストモデル内の前記複数の決定木の出力に基づく、付記10に記載の非一時的コンピュータ読み取り可能媒体。
(付記15) メモリと、
前記メモリに動作可能に結合されたプロセッサであり、
コモディティの価格の急変の予測を実行することの要求を取得し、
前記要求に基づいて、前記コモディティの更なる情報を取得し、
第1の機械学習アルゴリズムを用いて、前記更なる情報に少なくとも部分的に基づいて、前記急変の確率を決定し、
前記急変の前記確率がリスク許容範囲よりも高いとの決定に応答して、前記急変の前記確率を、電子ディスプレイ上での視覚的表示のために出力し、
前記急変の前記確率が前記リスク許容範囲よりも低いとの決定に応答して、第2の機械学習アルゴリズムを用いて、価格予測を決定する、
ように構成されたプロセッサと
を有し、
前記価格予測を決定するとき、前記プロセッサは、該価格予測を、前記電子ディスプレイ上での視覚的表示のために出力するように構成される、
システム。
(付記16) 前記第1の機械学習アルゴリズムはランダムフォレストアルゴリズムに基づき、前記第2の機械学習アルゴリズムは分位回帰に基づく、付記15に記載のシステム。
(付記17) 前記要求は、特定の時刻を含み、前記特定の時刻における非急変価格が、急変価格の情報を用いずに決定され、前記特定の時刻における前記急変価格が、前記非急変価格の情報を用いずに決定される、付記15に記載のシステム。
(付記18) 前記プロセッサは更に、
前記更なる情報から1つ以上の特徴を抽出し、
抽出された特徴に基づいて前記第1の機械学習アルゴリズムを訓練する、
ように構成される、付記15に記載のシステム。
(付記19) 前記第1の機械学習アルゴリズムは、前記抽出された特徴に基づいて、又は新たな特徴に基づいて、周期的に訓練される、付記18に記載のシステム。
(付記20) 前記要求は、特定の時刻を含み、前記特定の時刻における価格予測が、ランダムフォレストモデル内の複数の決定木に急変価格の情報を適用することによって決定され、前記価格予測は、前記ランダムフォレストモデル内の前記複数の決定木の出力に基づく、付記15に記載のシステム。
Claims (10)
- 1つ以上のプロセッサがコモディティの価格及び/又は価格急変を予測する方法であって、
予測時点におけるコモディティの価格の急変の予測を実行することの要求を取得し、
前記要求に基づいて、前記コモディティの更なる情報を外部ソースから取得し、前記更なる情報は、過去及びリアルタイムの、負荷データ、価格データ、及び/又は気候データを含み、
ランダムフォレストアルゴリズムに基づく第1の機械学習アルゴリズムを用いて、前記要求に基づいて取得される予測時点特徴値と前記更なる情報とに少なくとも部分的に基づいて、前記急変の確率を決定し、
前記急変の前記確率がリスク許容範囲よりも高いとの決定に応答して、前記急変の前記確率を、電子ディスプレイ上での視覚的表示のために出力し、
前記急変の前記確率が前記リスク許容範囲よりも低いとの決定に応答して、分位回帰に基づく第2の機械学習アルゴリズムを用いて、前記更なる情報に少なくとも部分的に基づいて、価格予測を決定し、該価格予測を決定することは、該価格予測を、前記電子ディスプレイ上での視覚的表示のために出力することを含む、
ことを有する方法。 - 前記更なる情報から1つ以上の特徴を抽出し、
抽出された特徴に基づいて前記第1の機械学習アルゴリズムを訓練する、
ことを更に有する請求項1に記載の方法。 - 前記第1の機械学習アルゴリズムは、前記抽出された特徴に基づいて、又は新たな特徴に基づいて、周期的に訓練される、請求項2に記載の方法。
- 前記要求は、特定の時刻及び場所を含む、請求項1に記載の方法。
- 前記特定の時刻における前記価格予測が、ランダムフォレストモデル内の複数の決定木に急変価格の情報を適用することによって決定され、前記価格予測は、前記ランダムフォレストモデル内の前記複数の決定木の出力に基づく、請求項4に記載の方法。
- 前記特定の時刻における前記価格予測は、前記ランダムフォレストモデル内の前記複数の決定木の前記出力の平均である、請求項5に記載の方法。
- 前記ランダムフォレストモデル内の前記複数の決定木は、前記コモディティの負荷情報及び前記コモディティの先行価格情報に基づく複数の特徴を用いて生成され、前記ランダムフォレストモデル内の前記複数の決定木の各々が、前記複数の特徴のうちのサブセットを用いて構築され、前記ランダムフォレストモデル内の前記複数の決定木のうちの第1の決定木を生成するのに使用される前記複数の特徴のうちの第1のサブセットは、前記ランダムフォレストモデル内の前記複数の決定木のうちの第2の決定木を生成するのに使用される前記複数の特徴のうちの第2のサブセットとは異なる、請求項5に記載の方法。
- 命令を格納した非一時的コンピュータ読み取り可能媒体であって、前記命令は、1つ以上のプロセッサによって実行されるときに、コモディティの価格の急変を予測する処理を実行し、前記処理は、
予測時点におけるコモディティの価格の急変の予測を実行することの要求を取得し、
前記要求に基づいて、前記コモディティの更なる情報を取得し、前記更なる情報は、過去及びリアルタイムの、負荷データ、価格データ、及び/又は気候データを含み、
ランダムフォレストアルゴリズムに基づく第1の機械学習アルゴリズムを用いて、前記要求に基づいて取得される予測時点特徴値と前記更なる情報とに少なくとも部分的に基づいて、前記急変の確率を決定し、
前記急変の前記確率がリスク許容範囲よりも高いとの決定に応答して、前記急変の前記確率を、電子ディスプレイ上での視覚的表示のために出力し、
前記急変の前記確率が前記リスク許容範囲よりも低いとの決定に応答して、分位回帰に基づく第2の機械学習アルゴリズムを用いて、前記更なる情報に少なくとも部分的に基づいて、価格予測を決定し、該価格予測を決定することは、該価格予測を、前記電子ディスプレイ上での視覚的表示のために出力することを含む、
ことを有する、
非一時的コンピュータ読み取り可能媒体。 - メモリと、
前記メモリに動作可能に結合されたプロセッサであり、
予測時点におけるコモディティの価格の急変の予測を実行することの要求を取得し、
前記要求に基づいて、前記コモディティの更なる情報を取得し、前記更なる情報は、過去及びリアルタイムの、負荷データ、価格データ、及び/又は気候データを含み、
ランダムフォレストアルゴリズムに基づく第1の機械学習アルゴリズムを用いて、前記要求に基づいて取得される予測時点特徴値と前記更なる情報とに少なくとも部分的に基づいて、前記急変の確率を決定し、
前記急変の前記確率がリスク許容範囲よりも高いとの決定に応答して、前記急変の前記確率を、電子ディスプレイ上での視覚的表示のために出力し、
前記急変の前記確率が前記リスク許容範囲よりも低いとの決定に応答して、分位回帰に基づく第2の機械学習アルゴリズムを用いて、前記更なる情報に少なくとも部分的に基づいて、価格予測を決定する、
ように構成されたプロセッサと
を有し、
前記価格予測を決定するとき、前記プロセッサは、該価格予測を、前記電子ディスプレイ上での視覚的表示のために出力するように構成される、
システム。 - 前記要求は、特定の時刻を含み、前記特定の時刻における非急変価格が、急変価格の情報を用いずに決定され、前記特定の時刻における前記急変価格が、前記非急変価格の情報を用いずに決定される、請求項9に記載のシステム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/043,384 US11282099B2 (en) | 2016-02-12 | 2016-02-12 | Probabilistic price and spike forecasting |
US15/043,384 | 2016-02-12 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017142781A JP2017142781A (ja) | 2017-08-17 |
JP6852392B2 true JP6852392B2 (ja) | 2021-03-31 |
Family
ID=57629461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016252911A Active JP6852392B2 (ja) | 2016-02-12 | 2016-12-27 | 確率的価格及び急変予測 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11282099B2 (ja) |
EP (1) | EP3206178A1 (ja) |
JP (1) | JP6852392B2 (ja) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180121826A1 (en) * | 2016-10-28 | 2018-05-03 | Knowm Inc | Compositional Learning Through Decision Tree Growth Processes and A Communication Protocol |
US10783442B1 (en) * | 2016-12-19 | 2020-09-22 | Amazon Technologies, Inc. | Demand forecasting via direct quantile loss optimization |
US11511987B2 (en) * | 2017-07-12 | 2022-11-29 | Wex Inc. | Methods and systems for fuel transaction product detection |
KR102120655B1 (ko) * | 2018-04-12 | 2020-06-18 | 동국대학교 산학협력단 | 무차익 옵션 가격 예측 방법 |
US11669914B2 (en) | 2018-05-06 | 2023-06-06 | Strong Force TX Portfolio 2018, LLC | Adaptive intelligence and shared infrastructure lending transaction enablement platform responsive to crowd sourced information |
JP2021523504A (ja) | 2018-05-06 | 2021-09-02 | ストロング フォース ティエクス ポートフォリオ 2018,エルエルシーStrong Force Tx Portfolio 2018,Llc | エネルギー、コンピュータ、ストレージ、及びその他のリソースの、スポット市場及び先物市場における分散型元帳及びその他のトランザクションの実行を自動化する、機械及びシステムを改善するための方法及びシステム |
US11550299B2 (en) | 2020-02-03 | 2023-01-10 | Strong Force TX Portfolio 2018, LLC | Automated robotic process selection and configuration |
CN108846517B (zh) * | 2018-06-12 | 2021-03-16 | 清华大学 | 一种分位数概率性短期电力负荷预测集成方法 |
CN109389426A (zh) * | 2018-09-26 | 2019-02-26 | 深圳壹账通智能科技有限公司 | 商品价格层次的获取方法、系统、计算机设备和存储介质 |
CN113632113A (zh) * | 2019-04-04 | 2021-11-09 | 索尼集团公司 | 信息处理系统和信息处理方法 |
US20200410392A1 (en) * | 2019-06-27 | 2020-12-31 | Adobe Inc. | Task-aware command recommendation and proactive help |
US11982993B2 (en) | 2020-02-03 | 2024-05-14 | Strong Force TX Portfolio 2018, LLC | AI solution selection for an automated robotic process |
US20220019909A1 (en) * | 2020-07-14 | 2022-01-20 | Adobe Inc. | Intent-based command recommendation generation in an analytics system |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7376580B1 (en) * | 2000-06-13 | 2008-05-20 | Walker Digital, Llc | Method and apparatus for providing a benefit during a transaction for use during a later transaction |
AU2001283425A1 (en) * | 2000-08-18 | 2002-03-04 | Thinking Investments, Inc. | Generating and providing information about expected future prices of assets and visualization of asset information |
JP4694828B2 (ja) * | 2004-12-17 | 2011-06-08 | 三菱電機株式会社 | 電力取引支援装置 |
US8140421B1 (en) * | 2008-01-09 | 2012-03-20 | Zillow, Inc. | Automatically determining a current value for a home |
US20120303412A1 (en) * | 2010-11-24 | 2012-11-29 | Oren Etzioni | Price and model prediction system and method |
US10152683B2 (en) | 2014-01-22 | 2018-12-11 | Fujistu Limited | Demand response event assessment |
US10115120B2 (en) * | 2014-05-12 | 2018-10-30 | Fujitsu Limited | Dynamic demand response event assessment |
-
2016
- 2016-02-12 US US15/043,384 patent/US11282099B2/en active Active
- 2016-12-27 JP JP2016252911A patent/JP6852392B2/ja active Active
- 2016-12-29 EP EP16207298.7A patent/EP3206178A1/en not_active Ceased
Also Published As
Publication number | Publication date |
---|---|
US20170236136A1 (en) | 2017-08-17 |
US11282099B2 (en) | 2022-03-22 |
JP2017142781A (ja) | 2017-08-17 |
EP3206178A1 (en) | 2017-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6852392B2 (ja) | 確率的価格及び急変予測 | |
Bozkurt et al. | Artificial neural network and SARIMA based models for power load forecasting in Turkish electricity market | |
Rostami‐Tabar et al. | Demand forecasting by temporal aggregation | |
Shah et al. | Functional data approach for short-term electricity demand forecasting | |
US20180349790A1 (en) | Time-Based Features and Moving Windows Sampling For Machine Learning | |
Bhatia et al. | An ensemble approach for electricity price forecasting in markets with renewable energy resources | |
Wang et al. | Predicting ENR construction cost index using machine-learning algorithms | |
López et al. | New online load forecasting system for the Spanish Transport System Operator | |
Li et al. | Machine learning-driven virtual bidding with electricity market efficiency analysis | |
JP2016212825A (ja) | 商品価格予測のための装置及び方法 | |
Cocchi et al. | Machine learning methods for short‐term bid forecasting in the renewable energy market: A case study in Italy | |
Trivedi et al. | A data-driven short-term pv generation and load forecasting approach for microgrid applications | |
Dong et al. | Multi-year long-term load forecast for area distribution feeders based on selective sequence learning | |
Dai et al. | Electrical peak demand forecasting-A review | |
Yadav et al. | Gaussian process regression‐based load forecasting model | |
Mokhov et al. | Electrical energy consumption prediction of the federal district of Russia on the based of the reccurent neural network | |
Flesca et al. | On forecasting non-renewable energy production with uncertainty quantification: A case study of the Italian energy market | |
Lee et al. | Forecasting trading volume in local housing markets through a time-series model and a deep learning algorithm | |
Safiyari et al. | From traditional to modern methods: Comparing and introducing the most powerful model for forecasting the residential natural gas demand | |
Martins et al. | Short-term load forecasting using time series clustering | |
Sencan et al. | Forecasting of Day-Ahead Electricity Price Using Long Short-Term Memory-Based Deep Learning Method | |
Muñoz et al. | Improving electricity market price forecasting with factor models for the optimal generation bid | |
Sanz-Alcaine et al. | Online voltage prediction using gaussian process regression for fault-tolerant photovoltaic standalone applications | |
Kaneko et al. | Sensitivity analysis of factors relevant to extreme imbalance between procurement plans and actual demand: Case study of the Japanese electricity market | |
Rantonen et al. | Prediction of spot prices in nord pool’s day-ahead market using machine learning and deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190910 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200730 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200901 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201005 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210209 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210222 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6852392 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |