Stochastic modeling of sunshine number data

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>

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

Druh

D - Stať ve sborníku

CEP obor

BB - Aplikovaná statistika, operační výzkum

OECD FORD obor

—

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

Rok uplatnění

2013

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

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