"Machine learning techniques have been successfully used in probabilistic wind power forecasting."
"Compared with the traditional “impute, then predict” pipeline, the proposed approach achieves better performance in terms of continuous ranked probability score."
"We offer an efficient probabilistic forecasting approach by estimating the joint distribution of features and targets based on a generative model."
非ランダムなデータの場合でも適切な風力発電予測手法を設計するためには、いくつかのアプローチが考えられます。まず第一に、欠損値のメカニズムを正確に理解し、その特性に基づいてモデルを調整することが重要です。欠損値がランダムでない場合は、通常の統計的手法だけでは対処しきれない可能性があります。このようなケースでは、非パラメトリック手法や機械学習アルゴリズムを活用してデータセット全体の複雑な関係性やパターンを捉えることが有効です。
提案された「普遍的補完」戦略はMAR(Missing at Random)仮定下で動作しますが、MNAR(Missing Not at Random)の場合にも対応できるよう改良する必要があります。これには追加の特徴量や外部情報源から得られるデータを活用し、欠損値以外の情報も考慮したモデル設計や補完手法を導入することが含まれます。