Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Wrapper Feature Selection Significantly Improves Nonlinear Prediction of Electricity Spot Prices

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F13%3A00208779" target="_blank" >RIV/68407700:21230/13:00208779 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://dx.doi.org/10.1109/SMC.2013.203" target="_blank" >http://dx.doi.org/10.1109/SMC.2013.203</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1109/SMC.2013.203" target="_blank" >10.1109/SMC.2013.203</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Wrapper Feature Selection Significantly Improves Nonlinear Prediction of Electricity Spot Prices

  • Popis výsledku v původním jazyce

    The paper describes the selection of input delays for Focused Time Delay Neural Network (FTDNN). The problem is understood as a feature subset selection problem, where one looks for a set of features (input delays) that minimizes the mean absolute percentage error. This combinatorial optimization problem is solved using sequential forward search. First, an application of the prediction method to hourly Ontario electricity price forecasting is presented, demonstrating the importance of the feature selection. Although the network with only one hidden unit was used, the wrapper based feature selection caused that it outperforms all state-of the art approaches considered for comparison.

  • Název v anglickém jazyce

    Wrapper Feature Selection Significantly Improves Nonlinear Prediction of Electricity Spot Prices

  • Popis výsledku anglicky

    The paper describes the selection of input delays for Focused Time Delay Neural Network (FTDNN). The problem is understood as a feature subset selection problem, where one looks for a set of features (input delays) that minimizes the mean absolute percentage error. This combinatorial optimization problem is solved using sequential forward search. First, an application of the prediction method to hourly Ontario electricity price forecasting is presented, demonstrating the importance of the feature selection. Although the network with only one hidden unit was used, the wrapper based feature selection caused that it outperforms all state-of the art approaches considered for comparison.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    JC - Počítačový hardware a software

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/GP13-21696P" target="_blank" >GP13-21696P: Selekce příznaků pro modely vícedimenzionálních časových řad uvažující časový kontext</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

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

    Proceedings 2013 IEEE International Conference on Systems, Man, and Cybernetics

  • ISBN

    978-0-7695-5154-8

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    4

  • Strana od-do

    1171-1174

  • Název nakladatele

    IEEE

  • Místo vydání

    Piscataway

  • Místo konání akce

    Manchester

  • Datum konání akce

    13. 10. 2013

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku