@ARTICLE{26583204_862148938_2023, 
	author = {А. С. Каукин and П. Н. Павлов and В. С. Косарев}, 
	keywords = {, рынок электроэнергии, рынок на сутки вперед, временные ряды, генеративная нейронная сетьрекуррентная нейронная сеть},
	title = {<p class="text">Краткосрочное прогнозирование цен на электроэнергию с использованием генеративных нейронных сетей</p>},
	journal = {Бизнес-информатика},
	year = {2023},
	number = {3 Vol 17},
	pages = {7-23},
	url = {https://bijournal.hse.ru/2023--3 Vol 17/862148938.html},
	publisher = {},
	abstract = {&nbsp; &nbsp; &nbsp; В статье изучаются прогностические способности генеративно-состязательного нейросетевого подхода в отношении временных рядов на примере прогнозирования цен для узлов свободного рынка электроэнергии России на сутки вперед. В результате серии экспериментов мы приходим к выводу, что генеративно-состязательная сеть, состоящая из двух моделей (генератора и дискриминатора),позволяет достичь минимума функции ошибки с большей обобщающей способностью, чем, при прочих равных, достигается в результате оптимизации статичного аналога генеративной модели - рекуррентной нейронной сети. Собственные эмпирические результаты показывают, что при околонулевой среднеквадратической ошибке на тренировочном множестве, демонстрируемой одновременно рекуррентной и генеративной моделями, ошибка последней на тестовом множестве ниже.Состязательный подход также превзошел вточности вневыборочного прогноза альтернативные эталонные модели: сверточную нейронную сеть, адаптированную для прогнозирования временных рядов, и авторегрессионную линейную модель. Практика применения предложенного подхода показала, что генеративно-состязательная модель с заданной универсальной архитектурой и ограниченным числом объясняющих факторов при условии дообучения на данных, специфичных для целевого узла энергосистемы может использоваться для прогнозирования цен в узлах рынка на сутки вперед без существенных отклонений.},
	annote = {&nbsp; &nbsp; &nbsp; В статье изучаются прогностические способности генеративно-состязательного нейросетевого подхода в отношении временных рядов на примере прогнозирования цен для узлов свободного рынка электроэнергии России на сутки вперед. В результате серии экспериментов мы приходим к выводу, что генеративно-состязательная сеть, состоящая из двух моделей (генератора и дискриминатора),позволяет достичь минимума функции ошибки с большей обобщающей способностью, чем, при прочих равных, достигается в результате оптимизации статичного аналога генеративной модели - рекуррентной нейронной сети. Собственные эмпирические результаты показывают, что при околонулевой среднеквадратической ошибке на тренировочном множестве, демонстрируемой одновременно рекуррентной и генеративной моделями, ошибка последней на тестовом множестве ниже.Состязательный подход также превзошел вточности вневыборочного прогноза альтернативные эталонные модели: сверточную нейронную сеть, адаптированную для прогнозирования временных рядов, и авторегрессионную линейную модель. Практика применения предложенного подхода показала, что генеративно-состязательная модель с заданной универсальной архитектурой и ограниченным числом объясняющих факторов при условии дообучения на данных, специфичных для целевого узла энергосистемы может использоваться для прогнозирования цен в узлах рынка на сутки вперед без существенных отклонений.}
}