XiaoMi-AI文件搜索系统
World File Search Systemforecasting
让文本发挥作用：使用报纸进行经济预测......
∗ 第一版：2019 年 9 月 10 日。此版本：2022 年 1 月 16 日。本文中的观点为作者的观点，不代表国家统计局、欧洲中央银行、国际货币基金组织或英格兰银行的观点（项目开始时 CR、AT 和 SK 受雇于这些机构）。我们感谢 David Bholat、Paul Robinson、Misa Tanaka 以及美联储理事会、欧洲中央银行、英格兰银行、丹麦国家银行、欧盟委员会、2019 年欧洲经济协会会议、2018 年皇家经济学会会议、2019 年经济统计卓越中心会议、乔治华盛顿大学 HO Stekler 预测研讨会研究计划和 2020 年美国经济协会会议的与会者。David Bradnum 自始至终提供了出色的技术支持。† 伦敦国王学院。电子邮件：eleni.kalamara@kcl.ac.uk ‡ 国家统计局；前身是英格兰银行。电子邮件：arthur.turrell@ons.gov.uk § 国际货币基金组织；前身是英格兰银行。电子邮件：credl@imf.org ¶ 伦敦国王学院。电子邮件：george.kapetanios@kcl.ac.uk
人工智能预测重症监护病房死亡率并与逻辑回归系统进行比较
目的：探索基于梯度提升决策树的人工智能方法，用于预测重症监护病房的全因死亡率，并将其性能与文献中最近的逻辑回归系统以及在同一平台上构建的逻辑回归模型进行比较。方法：使用重症监护医学信息集市数据库训练和测试梯度提升决策树模型和逻辑回归模型。在重症监护病房 5 小时内收集的成年患者 1 小时分辨率生理测量值包括八个常规临床参数。该研究探讨了模型如何学习对患者进行分类，以预测 12 小时内重症监护病房的死亡率或存活率。使用准确度统计数据和接收者操作特征曲线下面积来评估性能。结果：梯度提升树的接收者操作特征曲线下面积为 0.89，而逻辑回归的曲线下面积为 0.806。梯度提升树的准确度为 0.814，而逻辑回归的准确度为 0.782。梯度提升树的诊断比值为 17.823，而逻辑回归的诊断比值为 9.254。梯度提升树的 Cohen's kappa、F 测量值、Matthews 相关系数和显著性更高。结论：梯度提升树的判别能力非常出色。在重症监护病房死亡率预测方面，梯度提升树的表现优于逻辑回归。在所研究的不平衡数据集中，梯度提升树的高诊断比值和显著性值非常重要。
短期预测和不平衡成本
短期预测和失衡使本文介入了电力市场中短期预测和平衡的主题。我们的主要关注点是由于可再生能源的间歇性质，可再生生成资产的不平衡成本。因此，实际生产与发送给传输系统运营商的日期预测生产不同。但是，我们还使用本文来更详细地解释短期电力市场和平衡机制。在后续文章中，我们讨论了储能的好处，尤其是电池，以降低平衡成本并获得更多利润。PPA值中的平衡成本组件PPA的最大价值驱动器是基本负载电源价格。不幸的是，可再生的一代资产不会产生基本负载，这导致了塑造和平衡成本。塑造成本不是直接可观察到的成本，而是基线加价价格与已实现（或有效）价格的差额之间的差异。第二个成本组成部分，平衡成本，是由太阳能的间歇性质，尤其是风：无法完全准确预测的日常工作。
使用概率预测方法估算能源转型方案的成本
我们使用基于大量历史数据集的实证技术预测方法，评估了 2020 年至 2070 年全球能源系统四种不同情景的成本。维持当前能源结构的无转型情景提供了基准。在快速转型情景下，太阳能光伏和风能将快速部署，使用电池进行短期储存。氢基燃料用于长期储存和非电气化应用。2030 年后，能源价格低于历史平均水平，2050 年后则大幅下降。这在任何合理的折现率下都会产生预期的净现值节省；例如，以 4% 的折现率计算，我们预测节省 5.6 万亿美元。相比之下，较慢的转型成本更高，而核能情景的成本则要高得多。
使用人工智能进行出口销售预测
销售预测在生产和供应链管理中非常重要。它影响企业的规划、战略、营销、物流、仓储和资源管理。虽然传统的时间序列预测方法在研究和实践中占主导地位，但它们有几个局限性。因果预测方法能够根据变量之间的关系而不仅仅是过去的行为和趋势来预测未来的销售行为。本研究提出了一个使用遗传编程对出口销售进行建模和预测的框架，遗传编程是一种源自生物进化模型的人工智能技术。通过分析一家出口公司的实证案例，提出了一种出口销售预测模型。此外，还进行了为期六周的销售预测，并将其输出与实际销售数据进行比较。最后，对因果预测模型进行了变量敏感性分析。
与能源领域相关的技术预测
技术监测、监视和警报（收集和解释信息）； 竞争情报（将信息转换成可用情报）； 技术预测（预测变化的方向和速度）； 技术路线图（将预期的技术和产品进步联系起来制定计划）； 技术评估（预测技术变化的意外、间接和延迟影响）； 技术预见（影响发展战略，通常涉及参与机制）。 近几十年来，著作 [3] 和 [4] 回顾了技术预测方法的种类、它们之间的关系和应用。然而，还没有对应用于能源领域的技术预测演变的一般概述。本研究试图调查能源技术预测在科学文献中的影响。
基于人工智能的预测平台
Foresient 是一个先进的平台，能够以高精度和高速度进行大规模预测。它使用一套基于人工智能的复杂算法，能够处理各种实际业务场景。这不仅有助于组织实现更高的预测准确度，而且可以在更短的时间内实现。它适用于各种角色，如需求、财务、资源规划人员，可以针对任何独特的组合进行预测。
基于自导向学习的云资源管理工作负载预测模型
工作负载预测在智能资源扩展和负载平衡中起着至关重要的作用，可最大限度地提高云服务提供商的经济增长以及用户的体验质量 (QoE)。人们发现了多种方法来估计未来的工作负载，并且机器学习被广泛用于提高预测准确性。本文提出了一种自导向工作负载预测方法 (SDWF)，该方法通过计算最近预测中的偏差来捕捉预测误差趋势，并将其应用于提高进一步预测的准确性。该模型采用基于黑洞现象的改进启发式方法来训练神经元。通过六种不同的真实世界数据轨迹评估了所提出方法的有效性。将该模型的准确性与使用不同最先进方法（包括深度学习、差分进化和反向传播）的现有模型进行了比较。与现有方法相比，均方预测误差的最大相对减少量高达 99.99%。此外，还采用 Friedman 和 Wilcoxon 符号秩检验进行统计分析，以验证所提出的预测模型的有效性。2020 Elsevier Inc. 保留所有权利。
图 7. 混合预测结果。
1 摘要 — 准确预测不同时间范围内的太阳能光伏 (PV) 发电量对于能源管理系统的可靠运行至关重要。光伏电站的输出功率取决于非线性和间歇性环境因素，例如太阳辐照度、风速、相对湿度等。太阳能光伏电力的间歇性和随机性会影响估算的精度。为了应对这一挑战，本文提出了一种基于群体分解技术 (SWD) 的混合模型，作为一种短期 (15 分钟) 太阳能光伏发电量预测的新方法。该研究的原创贡献是调查使用 SWD 进行太阳能数据预测。从现场（已并网，土耳其 857.08 kWp Akgul 太阳能光伏电站）获得的每小时分辨率的太阳能光伏发电数据用于开发和验证预测模型。具体而言，分析表明，采用 SWD 技术的混合模型在阴天期间可提供高度准确的预测。
可变可再生能源发电的高级预测：创新前景简介
先进的天气预报方法利用人工智能 (AI) 和大数据等数字技术的进步来分析实时和历史天气数据并做出预测。事实上，先进的天气预报是人工智能在促进和改善 VRE 集成方面的主要应用之一（有关更多信息，请参阅创新格局简介：人工智能和大数据 [IRENA，2019b]）。在计算能力的提高和算法的改进的推动下，发电预测变得更加准确。同样，由于大数据推动的人工智能的使用越来越多，短期预测的时间粒度也增加了。这些因素可以极大地促进可再生能源融入电网（Bullis，2014 年）。