这项工作将贝叶斯政权检测与有条件的神经过程相结合，以在德国市场的24小时电力价格预测。我们的方法论使用分解的粘性分层迪里奇过程隐藏了马尔可夫模型（DS-HDP-hmm），将政权检测整合在一起。随后，每个确定的制度通过独立的条件神经过程（CNP）建模，经过培训，可以学习从输入上下文到24维每小时价格轨迹的局部映射，最终预测计算为这些CNP输出的制度加权混合物 ...
由于该大陆越来越融合和物理相互联系的电力市场，欧洲的电价预测提出了独特的挑战。尽管深度学习和基础模型的最新进展导致了一般时间序列预测的重大改进，但大多数现有方法未能捕获电力市场固有的复杂空间相互依赖性和不确定性。在本文中，我们通过在24个欧洲国家（38个地区）引入全面和最新的数据集来解决这些局限性，该数据集涉及2022-01-01至2025-01-01 ...
自动调查生成已成为科学文档处理的关键任务。尽管大型语言模型（LLMS）在生成调查文本方面表现出了希望，但缺乏标准化的评估数据集对人为编写的调查的绩效进行严格的评估。在这项工作中，我们介绍了SurveyGen，这是一个大规模数据集，其中包括各种科学领域的4,200多个人工编写的调查，以及242,143个引用的参考文献和广泛的质量相关元数据，用于调查和引用的论文 ...
终生的多代理路径发现（LMAPF）反复为多种代理人找到无冲突的路径，这些路径在达到当前目标时不断分配新目标。最近，该领域采用了基于学习的方法，该方法基于各个局部观察，可以反应地生成单步操作。但是，对于他们来说，与最佳基于搜索的算法的性能相匹配，尤其是在大规模设置中，这仍然是一项挑战 ...
我们介绍了时间层次预测（小偷）的概念，以预测日常电价，并表明对每小时产品，2至12小时的盖帽和基本负荷合同（最高13％）的调和预测可提高所有水平的准确性。在德国电力市场和整个模型架构中，包括线性回归，浅神经网络，梯度增强和最先进的 Transformer 在内的4年测试期（2021-2024）中，这些结果保持一致。鉴于（i）块产品的交易变得越来越普遍，并且（ii）和解的计算成本与仅预测小时价格的计 ...
多模式模型表现出有希望地整合来自各种来源的信息的有希望的能力，但与此同时，发现它们容易受到普遍扰动的影响，例如单模式攻击和缺失的条件。为了应对这些扰动，高度期望可靠的多模式表示，它们远离判别性多模式决策边界。在本文中，与常规经验研究不同，我们专注于一个常用的联合多模式框架，从理论上讲，较大的单模式表示边缘和更可靠的模态整合是实现更高鲁棒性的必不可少的组成部分 ...
在日前（DA）市场中，供应商出售和负载服务实体（LSES）购买能源承诺，双方都针对实时（RT）市场合同和实际交付之间的不平衡调整。我们开发了一个供应函数平衡模型，以研究DA-RT价格上的虚拟交易规范在没有物理交付的市场效率的情况下如何差异。如果没有虚拟交易，LSE相对于DA市场的实际需求而言，将DA价格推向了预期的RT价格 ...
我们对短期电价预测（EPF）进行了广泛的实证研究，以解决EPF的最佳模型结构是单变量或多变量的长期问题。我们提供的证据表明，尽管总体预测性能的优势较小，但多元建模框架的表现并不能超过单变量，而在所有12个被考虑的数据集，一年中或一天中的季节或一天中的季节中，并且有时会超过后者。这表明将高级结构或两种建模方法的相应预测结合起来可以进一步提高预测准确性 ...
