Prognozowanie probabilistyczne

Prognozowanie probabilistyczne podsumowuje to, co wiadomo o przyszłych wydarzeniach lub opinie na ich temat. W przeciwieństwie do prognoz jednowartościowych (takich jak prognozowanie, że maksymalna temperatura w danym miejscu w danym dniu wyniesie 23 stopnie Celsjusza lub że w danym meczu piłkarskim zakończy się bezbramkowym remisem), prognozy probabilistyczne przypisują prawdopodobieństwo każdego z wielu różnych wyników, a pełny zestaw prawdopodobieństw stanowi prognozę prawdopodobieństwa . Zatem prognozowanie probabilistyczne jest rodzajem klasyfikacji probabilistycznej .

Prognozy pogody to usługa, w ramach której prognozy prawdopodobieństwa są czasami publikowane do użytku publicznego, chociaż mogą być również wykorzystywane przez prognostów pogody jako podstawa prostszego rodzaju prognoz. Na przykład prognostycy mogą połączyć swoje własne doświadczenia z wygenerowanymi komputerowo prognozami prawdopodobieństwa, aby skonstruować prognozę typu „spodziewamy się intensywnych opadów deszczu”.

Zakłady sportowe to kolejny obszar zastosowań, w którym prognozowanie probabilistyczne może odegrać pewną rolę. Można uznać, że kursy przed wyścigiem publikowane na wyścigi konne odpowiadają podsumowaniu opinii obstawiających na temat prawdopodobnego wyniku gonitwy, chociaż należy zachować ostrożność, ponieważ należy wziąć pod uwagę zyski bukmacherów . W zakładach sportowych prognozy prawdopodobieństwa mogą nie być publikowane jako takie, ale mogą stanowić podstawę działań bukmacherów w zakresie ustalania stawek wypłat itp.

Prognoza pogody

Zobacz także: Ilościowa prognoza opadów § Podejście prawdopodobieństwa

Prognozowanie probabilistyczne jest wykorzystywane w prognozowaniu pogody na wiele sposobów. Jednym z najprostszych jest publikacja informacji o opadach w formie prawdopodobieństwa wystąpienia opadów .

Zespoły

Główny artykuł: Prognozowanie zespołowe

Informacje o prawdopodobieństwie zwykle uzyskuje się przy użyciu kilku przebiegów modelu numerycznego z nieznacznie różniącymi się warunkami początkowymi. Technika ta jest zwykle nazywana prognozowaniem zespołowym przez system przewidywania zespołowego (EPS). EPS nie generuje pełnego prognozowanego rozkładu prawdopodobieństwa dla wszystkich możliwych zdarzeń i można w tym celu zastosować metody czysto statystyczne lub hybrydowe metody statystyczne/numeryczne. Na przykład temperatura może przyjmować teoretycznie nieskończoną liczbę możliwych wartości (zdarzeń); metoda statystyczna dałaby rozkład przypisując wartość prawdopodobieństwa każdej możliwej temperaturze. Nieprawdopodobnie wysokie lub niskie temperatury miałyby wówczas wartości prawdopodobieństwa bliskie zeru.

Gdyby możliwe było uruchomienie modelu dla każdego możliwego zestawu warunków początkowych, każdy z powiązanym prawdopodobieństwem, to w zależności od tego, ilu członków (tj. poszczególnych przebiegów modelu) zespołu przewiduje określone zdarzenie, można by obliczyć rzeczywiste prawdopodobieństwo warunkowe danego wydarzenia. W praktyce prognostycy próbują odgadnąć niewielką liczbę zaburzeń (zwykle około 20), które ich zdaniem najprawdopodobniej spowodują różne skutki pogodowe. Dwie powszechne techniki stosowane w tym celu to wektory hodowlane (BV) i wektory osobliwe (SV). Nie ma gwarancji, że technika ta zapewni rozkład zbiorczy identyczny z rzeczywistym rozkładem prognozy, ale uzyskanie takich informacji probabilistycznych jest jednym z celów wyboru początkowych zaburzeń. Inne warianty systemów prognozowania zespołowego, które nie mają bezpośredniej interpretacji probabilistycznej, obejmują te, które łączą prognozy generowane przez różne numeryczne systemy prognozowania pogody.

Przykłady

Kanada była jednym z pierwszych krajów, które opublikowały swoją probabilistyczną prognozę, podając procentowe prawdopodobieństwo wystąpienia opadów. [ potrzebne źródło ] Jako przykład prognoz w pełni probabilistycznych opracowano ostatnio prognozy rozkładu wielkości opadów metodami czysto statystycznymi, których wydajność jest konkurencyjna w porównaniu z hybrydowymi EPS [ potrzebne wyjaśnienia ] /statystycznymi prognozami opadów dziennych ilości opadów.

Prognozowanie probabilistyczne zostało również wykorzystane w połączeniu z sieciami neuronowymi do wytwarzania energii. Odbywa się to poprzez ulepszone prognozowanie pogody z wykorzystaniem przedziałów probabilistycznych w celu uwzględnienia niepewności w prognozach wiatru i słońca, w przeciwieństwie do tradycyjnych technik, takich jak prognozowanie punktowe.

Prognozy gospodarcze

Prognozowanie makroekonomiczne to proces sporządzania prognoz dotyczących gospodarki w zakresie kluczowych zmiennych, takich jak między innymi PKB i inflacja, i jest zazwyczaj przedstawiane w formie prognoz punktowych. Jednym z problemów związanych z prognozami punktowymi jest to, że nie przekazują one niepewności prognoz i w tym przypadku pomocna może być rola prognozowania prawdopodobieństwa. Większość prognostów przypisała prawdopodobieństwo szeregowi alternatywnych wyników lub scenariuszy wykraczających poza ich centralne prognozy. Prawdopodobieństwa te umożliwiają szerszą ocenę ryzyka związanego z ich centralnymi prognozami i wpływają na nie nieoczekiwane lub ekstremalne zmiany kluczowych zmiennych.

Wybitnymi przykładami prognozowania prawdopodobieństwa są te podejmowane w badaniach ankietowych, podczas których prognostycy, oprócz swoich centralnych prognoz, proszeni są o szacunki prawdopodobieństwa w określonym przedziale. Monetary Authority of Singapore (MAS) jest jedną z takich organizacji, która publikuje prognozy prawdopodobieństwa w kwartalnym badaniu MAS Survey of Professional Forecasters. Inną firmą jest Consensus Economics , firma zajmująca się badaniami makroekonomicznymi, która co roku w styczniu publikuje specjalne badanie dotyczące prawdopodobieństwa prognoz w publikacjach Consensus Forecasts, Asia Pacific Consensus Forecasts i Eastern Europe Consensus Forecasts.

Oprócz firm ankietowych zajmujących się tą tematyką, prognozy prawdopodobieństwa są również przedmiotem badań akademickich. Zostało to omówione w artykule badawczym z 2000 r. autorstwa Anthony'ego Garratta, Kevina Lee, M. Hashema Pesarana i Yongcheola Shina zatytułowanym „Forecast Uncertainties in Macroeconometric Modelling: An Application to the UK Economy”. W październiku 2015 r. MAS opublikował artykuł na ten temat w swoim przeglądzie makroekonomicznym zatytułowany A Brief Survey of Density Forecasting in Macroeconomics.

Prognozowanie energii

Prognozy probabilistyczne nie były dotychczas szeroko badane w kontekście prognozowania energii . Jednak sytuacja się zmienia. Podczas gdy konkurs Global Energy Forecasting Competition (GEFCom) z 2012 r. dotyczył trafnego prognozowania obciążenia elektrycznego i energii wiatrowej, edycja z 2014 r. miała na celu probabilistyczne prognozowanie obciążenia elektrycznego, energii wiatrowej , energii słonecznej i cen energii elektrycznej . Dwa najlepsze zespoły w ścieżce cenowej GEFCom2014 wykorzystały warianty uśredniania regresji kwantylowej (QRA), nowa technika polegająca na zastosowaniu regresji kwantylowej do prognoz punktowych niewielkiej liczby indywidualnych modeli prognostycznych lub ekspertów, pozwala zatem wykorzystać istniejący rozwój prognozowania punktowego.

rocznej prognozy energetycznej Departamentu Energii USA na rok 2010.

Prognozowanie populacji

Prognozy prawdopodobieństwa znalazły także zastosowanie w prognozowaniu populacji.

Ocena

Ocena prognoz probabilistycznych jest bardziej złożona niż ocena prognoz deterministycznych. Jeżeli stosowane jest podejście oparte na zespołach, należy najpierw połączyć poszczególnych członków zespołu i wyrazić je w formie rozkładu prawdopodobieństwa. Istnieją probabilistyczne (właściwe) zasady punktacji , takie jak ciągły ranking prawdopodobieństwa do oceny prognoz probabilistycznych. Jednym z przykładów takiej reguły jest wynik Briera .

Zobacz też

  1. ^   Wilks, DS (2005), Metody statystyczne w naukach o atmosferze , wydanie drugie. (Międzynarodowa seria o geofizyce, tom 91). Prasa akademicka. ISBN 0-12-751966-1
  2. ^ Toth, Z. i Kalnay, E. (1997), „Ensemble Forecasting at NCEP and the Breeding Method”, Monthly Weather Review , 125, s. 3298.
  3. ^ Trochę, MA i in. (2009), „Uogólnione modele liniowe do prognozowania gęstości dziennej opadów w Wielkiej Brytanii dla specyficznego miejsca” . Miesięczny przegląd pogody , 37 (3), 1029–1045
  4. ^   Kabir, HM Dipu; Chosrawi, Abbas; Hosen, Mohammad Anwar; Nahavandi, Saeid (2018). „Kwantyfikacja niepewności w oparciu o sieć neuronową: przegląd metodologii i zastosowań” . Dostęp IEEE . 6 : 36218–36234. doi : 10.1109/access.2018.2836917 . ISSN 2169-3536 .
  5. ^ „Ekonomia konsensusu - prognozy gospodarcze i wskaźniki” .
  6. ^    Garratt, Anthony; Lee, Kevin; Pesaran, M. Hashem; Shin, Yongcheol (grudzień 2003). „Niepewności prognoz w modelowaniu makroekonomicznym: zastosowanie w gospodarce Wielkiej Brytanii” (PDF) . Dziennik Amerykańskiego Stowarzyszenia Statystycznego . 98 (464): 829–838. doi : 10.1198/016214503000000765 . JSTOR 30045334 . S2CID 120465353 . Źródło 27 lutego 2023 r .
  7. ^ http://www.mas.gov.sg/~/media/resource/publications/macro_review/2015/MROct15_Macroeconomic%20Review.pdf , s. 92-97
  8. ^ Weron, Rafał (2014). [Otwarty dostęp]. „Prognozowanie cen energii elektrycznej: przegląd stanu techniki z spojrzeniem w przyszłość” . International Journal of Forecasting . 30 (4): 1030–1081. doi : 10.1016/j.ijforecast.2014.08.008 .
  9. ^ „Zaproszenie do składania artykułów: Probabilistyczne prognozowanie energii | International Journal of Forecasting” . blog.drhongtao.com . Źródło: 29.11.2015 .
  10. ^   Nowotarski, Jakub; Weron, Rafał (2015). [Otwarty dostęp]. „Obliczanie przedziałów przewidywanych cen spotowych energii elektrycznej przy użyciu regresji kwantylowej i uśredniania prognoz” (PDF) . Statystyka obliczeniowa . 30 (3): 791–803. doi : 10.1007/s00180-014-0523-0 . ISSN 0943-4062 .
  11. ^ Wilsona, T.; Bell, M. (2007). „Probabilistyczne prognozy populacji regionalnej: przykład Queensland w Australii”. Analiza geograficzna . 39 : 1–25. doi : 10.1111/j.1538-4632.2006.00693.x .
  12. ^   Jolliffe, IT, Stephenson, DB (2003) Weryfikacja prognozy: Przewodnik dla praktyków w naukach o atmosferze . Wiley’a. ISBN 0-471-49759-2
  13. ^ Schölzel, C., A. Hense (2011): Probabilistyczna ocena regionalnych zmian klimatycznych w południowo-zachodnich Niemczech według opatrunku zespołowego , Climate Dynamics 36 (9), 2003-2014
  14. ^ Gneiting, T. i Raftery, AE (2007), „Ściśle prawidłowe zasady punktacji, przewidywanie i szacowanie”. Journal of the American Statistical Association , 102, s. 359–378

Linki zewnętrzne

Pobrano z „ https://en.wikipedia.org/w/index.php?title=Probabilistic_forecasting&oldid=1141970951 ”