시공간 예측 오차의 탐색 적 분석

데이터 : 저는 최근 풍력 생산 예측 오류의 시공간 분야의 확률 적 특성을 분석하기 위해 노력했습니다. 공식적으로 이것은 은 시간에 두 번 ( 및 ), 한 번에 공간 ( )에 색인을 생성 하고 는 미리보기 횟수입니다 (주변과 동일) , 정기적으로 샘플링 됨), 는 "예측 시간"의 수 (즉, 예측이 발행 된 시간, 내 경우에는 약 30000, 정기적으로 샘플링 됨), 및 thpH24T

질문 : 프로세스의 세부 모델링을 제안하기 위해 프로세스의 상호 의존성 구조 (선형이 아닐 수도 있음)의 특성을 이해하기 위해이 유형의 데이터에 대해 수행 할 탐색 분석을 설명해 주시겠습니까?

예측 오차의 편향 (즉, 체계적으로 과대 / 과소 평가되는 [첫 순간] 경향)과 그들의 편차 [두 번째 순간]의 시공간 및 기상 영향에 대한 의존성을 모델링하기에 충분한 데이터가있는 것 같습니다.

편견을 탐구하기 위해 많은 산점도, 히트 맵 또는 헥스 빈 플롯을 수행합니다. 가변성을 탐색하기 위해 원래 오류를 제곱 한 다음 다시 많은 산점도, 히트 맵 또는 16 진수 플롯을 수행합니다. 편견이 많으면 물론 이것이 문제가되지는 않지만 공변량에 영향을받는이 분산 패턴을 보는 데 여전히 도움이 될 수 있습니다.

내 동료도 좋은의이 모델의 이러한 종류의 (필요한 경우 또한, 높은 순간의 모델링을 가능) 피팅을위한 매우 유연한 방법을 자세히 설명 멋진의 techreport했다 R-implementation의 gamboostLSS을 기반으로 mboost: 마이어를, 안드레아스; 펜 스케, 노라; 호프 너, 벤자민; Kneib, Thomas and Schmid, Matthias (2010) : 고차원 데이터를위한 GAMLSS – 부스팅 기반의 유연한 접근 방식. . 많은 RAM이있는 머신에 액세스 할 수 있다고 가정하면 (데이터 세트가 BIG 인 것 같음) 모든 종류의 반 파라 메트릭 효과 (공간 효과를위한 매끄러운 표면 추정기 또는 와 의 결합 효과)를 추정 할 수 있습니다.$t$$h$, 템포 공간 효과 또는 기상 효과 등의 부드러운 상호 작용을위한 텐서 제품 스플라인 등)을 다른 순간에 적용하고 동시에 용어 선택을 수행하여 포용적이고 해석 가능한 모델을 얻습니다. 이 모델의 항이 예측 오차의 시공간 자기 상관 구조를 설명하기에 충분하기를 희망하지만, 자기 상관에 대해 이러한 모델의 잔차를 확인해야합니다 (예 : 일부 variograms 및 ACF).

우리 (동료와 나는)가 마침내 그 논문을 썼습니다. 요약 한 내용을 요약하기 위해 덴마크를 따라 오류를 (시공간적) 전파하는 것을 정량화하고 통계적으로 요약하는 두 가지 솔루션을 제안했습니다.

• 첫 번째 항목에서는 모든 풍력 단지 쌍과 모든 미리보기 쌍에 대한 상관 관계를 계산합니다 (4 가지 변수의 함수 임). 한 쌍이 고정되면 상관 관계 함수가 사전에 로컬 최대 값을 가지고 있음을 보여주었습니다. 주어진 한 쌍의 풍력 발전 단지와 관련된 시간 척도는이 지역 최대치에 도달하기위한 시간 지연에 의해 주어진다. 모든 풍력 단지에 대해 상관 관계의 극대 최대치를 플로팅하면이를 획득 할 수있는 시간 지연과 풍력 단지를 연결하는 공간 벡터가 그림 1의 오른쪽을 제공합니다.

이것은 전역 전파 벡터, 즉 쌍들 사이의 전파 속도의 일종의 공간 평균을 계산하는데 사용될 수있다. 이것의 일부는 그림 1의 왼쪽에 표시되어 있으며 Denamrk에서 West East가 어떤 오류의 전파를했는지 추측 해보십시오. 또한 전파와 바람 (속도, 방향)의 관계를 보여주기 위해이 조건을 다른 기상 상황에 대해 조건부로 분석했습니다.

• $t$$t$$R^2$

두 번째 경우, 시간적 평균 전파 속도가 첫 번째 경우의 공간 평균으로 얻은 것과 비슷한 구질을 갖는 것으로 관찰되었다. 이 작업을보다 진지하게보고 싶다면 논문이 여기 있습니다 .