Stochastic modeling of sunshine number data
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F13%3A00398524" target="_blank" >RIV/67985807:_____/13:00398524 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1063/1.4832815" target="_blank" >http://dx.doi.org/10.1063/1.4832815</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1063/1.4832815" target="_blank" >10.1063/1.4832815</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Stochastic modeling of sunshine number data
Popis výsledku v původním jazyce
We present a unified statistical modeling framework for estimation and forecasting sunshine number (SSN) data. Sunshine number has been proposed earlier to describe sunshine time series in qualitative terms (Theor Appl Climatol 72 (2002) 127-136) and itwas shown to be useful both for theoretical and practical purposes, e.g. those related to the photovoltaic energy production. Statistical modeling and prediction of SSN as a binary time series has been challenging problem, however. Our statistical modelfor SSN time series is based on an underlying stochastic process formulation of Markov chain type. We will show how its transition probabilities can be efficiently estimated within logistic regression framework. In fact our logistic Markovian model can be fitted via maximum likelihood approach. This is optimal in many respects and it also enables us to use formalized statistical inference theory to obtain not only the point estimates of transition probabilities and their functions of int
Název v anglickém jazyce
Stochastic modeling of sunshine number data
Popis výsledku anglicky
We present a unified statistical modeling framework for estimation and forecasting sunshine number (SSN) data. Sunshine number has been proposed earlier to describe sunshine time series in qualitative terms (Theor Appl Climatol 72 (2002) 127-136) and itwas shown to be useful both for theoretical and practical purposes, e.g. those related to the photovoltaic energy production. Statistical modeling and prediction of SSN as a binary time series has been challenging problem, however. Our statistical modelfor SSN time series is based on an underlying stochastic process formulation of Markov chain type. We will show how its transition probabilities can be efficiently estimated within logistic regression framework. In fact our logistic Markovian model can be fitted via maximum likelihood approach. This is optimal in many respects and it also enables us to use formalized statistical inference theory to obtain not only the point estimates of transition probabilities and their functions of int
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
BB - Aplikovaná statistika, operační výzkum
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/LD12009" target="_blank" >LD12009: Pokročilé metody pro predikci výroby elektrické energie z fotovoltaických systémů s využitím numerických modelů počasí s vysokým prostorovým i časovým rozlišením</a><br>
Návaznosti
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2013
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
TIM 2012 Physics Conference
ISBN
978-0-7354-1192-0
ISSN
1551-7616
e-ISSN
—
Počet stran výsledku
10
Strana od-do
178-187
Název nakladatele
AIP Publishing LLC
Místo vydání
New York
Místo konání akce
Timisoara
Datum konání akce
27. 10. 2012
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000327454500028