統計、機械学習、スタッキングアンサンブルモデルによる日次日射量予測の比較評価のためのデータ

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a reproducible benchmark for comparing forecasting models on solar radiation data.

🏢実務担当者:Offers ready-to-use code and datasets for implementing solar radiation forecasting in energy operations.

1. 学術論文: 日次太陽放射量予測のための統計、機械学習、スタッキングアンサンブルモデルの比較評価 2. DOI: https://doi.org/10.5281/zenodo.21100026 3. 連絡先情報 名前: Challa Sai Prakash 機関: VSB-オストラバ工科大学 電子メール: [email protected] ORCID: https://orcid.org/0009-0003-8923-2683 名前: Zdenek Machacek 機関: VSB-オストラバ工科大学 電子メール: [email protected] ORCID: https://orcid.org/0000-0002-6127-0763 4. データセットアーカイブ（公開）日: 2026-07-01 5. アーカイブ（公開）場所: チェコ共和国オストラバ 6. データセットおよびコードの説明: プロジェクト「Research Platform for Digital Transformation and Society 5.0」およびチェコ共和国技術庁がSigmaプログラムの下で資金提供するCETPartnership研究プロジェクト内のオリジナル研究からのオリジナルデータおよびコード。正確には、研究の図6、7、8、9、10、データセット4件が含まれる: 統計モデルと機械学習モデルの両方を用いた太陽放射量予測のためのデータセットとPythonスクリプト。 このプロジェクトは、複数の予測手法の性能を比較し、スタッキングアンサンブルモデルを用いてそれらを組み合わせることで予測精度を向上させる。 このプロジェクトの目的は、異なる予測アルゴリズムを用いて日次太陽放射量を予測し、それらの性能を比較することである。 実装されたモデルは以下の通り: - SARIMA（統計時系列モデル） - LSTM（Long Short-Term Memoryニューラルネットワーク） - NARX（外部入力付き非線形自己回帰モデル） - Random Forest - XGBoost - スタッキングアンサンブルモデル このプロジェクトには、各モデルのトレーニング、予測の生成、およびアンサンブル学習による予測の組み合わせのための個別のスクリプトが含まれる。 プロジェクトの全体的なワークフローは以下の通り: 1. トレーニングデータセットを読み込む。 2. 特徴量エンジニアリングと前処理を実行する。 3. 各予測モデルを個別にトレーニングする。 4. トレーニング済みの各モデルから予測を生成する。 5. ベースモデルからの予測を用いてスタッキングアンサンブルモデルをトレーニングする。 6. テストデータセットでアンサンブルモデルを評価する。 推奨Pythonバージョン: Python 3.9+ 使用する主要ライブラリ: - numpy - pandas - scikit-learn - tensorflow - xgboost - statsmodels - matplotlib - joblib 依存関係のインストール: pip install -r requirements.txt を使用 プロジェクトの実行 - ステップ1 エンジニアリング済み特徴量の生成 python feature_extensions.py - ステップ2 個別モデルのトレーニング python sarimainputstrain.py python lstmtraining.py python narx_training.py python rflearning.py python xgblearning.py - ステップ3 予測の生成 python sarimainputtest.py python lstm_inference.py python narx_inference.py python rfinference.py python xgbinference.py - ステップ4 スタッキングアンサンブルのトレーニング python ensemble_trainingstack.py - ステップ5 アンサンブル推論の実行 python ensemble_inferencestack.py プロジェクトの出力: - 個別モデルの予測 - アンサンブルモデルの予測 - 日次太陽放射量の予測結果 - モデル間の性能比較 目的 - このリポジトリの目的は、複数の予測手法の実装を示し、アンサンブル学習が太陽放射量予測精度をどのように向上させることができるかを評価することである。 このパッケージにはExcelデータファイルとPythonスクリプトが含まれており、各スクリプトはデータを処理し、計算されたモデルとトレーニングおよびテストデータセットを表す: データファイル: solar_dataset.zip データセットには太陽放射量パラメータのトレーニングデータとテストデータが含まれる。 ------------------------------------------------------------------------------------------------------------ ファイル名 説明 ------------------------------------------------------------------------------------------------------------ TRAINWIND.csv モデル開発に使用されるトレーニングデータセット。 TESTWIND.csv モデル性能の評価に使用されるテストデータセット。 ------------------------------------------------------------------------------------------------------------ solar_radiation_codes.zip コードセットには、太陽放射量シミュレーションおよび予測の様々な解析済みモデルが含まれる。 ------------------------------------------------------------------------------------------------------------ ファイル名 説明 ------------------------------------------------------------------------------------------------------------ feature_extensions.py 特徴量エンジニアリングとデータ前処理を実行する。 sarimainputstrain.py SARIMA予測モデルをトレーニングする。 sarimainputtest.py トレーニング済みSARIMAモデルを用いて予測を生成する。 lstmtraining.py LSTMニューラルネットワークモデルをトレーニングする。 lstm_inference.py トレーニング済みLSTMモデルを用いて推論を実行する。 narx_training.py NARXモデルをトレーニングする。 narx_inference.py トレーニング済みNARXモデルを用いて予測を生成する。 rflearning.py Random Forest回帰モデルをトレーニングする。 rfinference.py トレーニング済みRandom Forestモデルを用いて予測を実行する。 xgblearning.py XGBoost回帰モデルをトレーニングする。 xgbinference.py トレーニング済みXGBoostモデルを用いて予測を実行する。 ensemble_trainingstack.py ベースモデルからの予測を用いてスタッキングアンサンブルモデルをトレーニングする。 ensemble_inferencestack.py トレーニング済みスタッキングアンサンブルモデルを用いて推論を実行する。 ------------------------------------------------------------------------------------------------------------ 7. 資金提供: 本研究は、欧州地域開発基金によるプロジェクト「Research Platform for Digital Transformation and Society 5.0 CZ.02.01.01/00/23_021/0012599」の下で、Jan Amos Komenskyオペレーショナルプログラム内において、教育・青少年・スポーツ省の支援を受け、欧州連合の共同出資により支援された。 本研究は、チェコ共和国技術庁がSigmaプログラムの下で資金提供するプロジェクト「Enhance Europe – Energy Harvesting Collectors for Urban Road Pavement」（プロジェクト番号 TQ06000003）により支援された。 本研究はまた、2023年共同研究公募におけるCETPartnership（Clean Energy Transition Partnership）の枠組み内で実施され、欧州委員会（助成契約番号 101069750）およびhttps://cetpartnership.eu/funding-agencies-and-call-modulesに記載の資金提供機関による共同出資を受けた。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

1. Journal article: Comparative Evaluation of Statistical, Machine Learning, and Stacking Ensemble Models for Daily Solar Radiation Forecasting   2. DOI: https://doi.org/10.5281/zenodo.21100026   3. Contact information     Name: Challa Sai Prakash    Institution: VSB-Technical University of Ostrava    E-mail: [email protected]    ORCID: https://orcid.org/0009-0003-8923-2683      Name: Zdenek Machacek    Institution: VSB-Technical University of Ostrava    E-mail: [email protected]    ORCID: https://orcid.org/0000-0002-6127-0763     4. Dataset archiving (publication) date: 2026-07-01   5. Place of archiving (publication): Ostrava, Czechia       6. Dataset and Code description: original data and code from original research within the project research Platform for Digital Transformation and Society 5.0 and CETPartnership research project funded by the Technology Agency of the Czech Republic under the Sigma Program.  Precisely there are 6,7,8,9,10 number of Figures,  4 Datasets of the study:   Datasets and Python scripts for for solar radiation forecasting using both statistical and machine learning models.   The project compares the performance of multiple forecasting techniques and combines them using a stacking ensemble model for improved prediction accuracy.   The objective of this project is to predict daily solar radiation values using different forecasting algorithms and compare their performance.     The implemented models include:   - SARIMA (Statistical Time Series Model) - LSTM (Long Short-Term Memory Neural Network) - NARX (Nonlinear AutoRegressive with Exogenous Inputs) - Random Forest - XGBoost - Stacking Ensemble Model   The project includes separate scripts for training each model, generating predictions, and combining the predictions using ensemble learning.     The overall workflow of the project is:   1. Load the training dataset. 2. Perform feature engineering and preprocessing. 3. Train each individual forecasting model. 4. Generate predictions from each trained model. 5. Train the stacking ensemble model using the predictions from the base models. 6. Evaluate the ensemble model on the test dataset.     Recommended Python version: Python 3.9+     Main libraries used: - numpy - pandas - scikit-learn - tensorflow - xgboost - statsmodels - matplotlib - joblib     Install dependencies using: pip install -r requirements.txt     Running the Project   - Step 1 Generate engineered features python feature_extensions.py   - Step 2 Train individual models python sarimainputstrain.py python lstmtraining.py python narx_training.py python rflearning.py python xgblearning.py   - Step 3 Generate predictions python sarimainputtest.py python lstm_inference.py python narx_inference.py python rfinference.py python xgbinference.py   - Step 4 Train the stacking ensemble python ensemble_trainingstack.py   - Step 5 Run ensemble inference python ensemble_inferencestack.py     Outputs of the project produces:   - Individual model predictions - Ensemble model predictions - Forecasting results for daily solar radiation - Performance comparison between models     Objective - The purpose of this repository is to demonstrate the implementation of multiple forecasting techniques and evaluate how ensemble learning can improve solar radiation prediction accuracy.     This package contains Excel data files and Python scripts, where each script processes and data represents computed models and training and testing dataset:      Data files:   solar_dataset.zip Dataset contains training and testing data of solar radiation parameters ------------------------------------------------------------------------------------------------------------  File Description ------------------------------------------------------------------------------------------------------------  TRAINWIND.csv Training dataset used for model development. TESTWIND.csv Testing dataset used for evaluating model performance. ------------------------------------------------------------------------------------------------------------    solar_radiation_codes.zip Code set contains vatious analysed models of solar radiation simulation and presiction  ------------------------------------------------------------------------------------------------------------  File Description ------------------------------------------------------------------------------------------------------------  feature_extensions.py Performs feature engineering and data preprocessing. sarimainputstrain.py Trains the SARIMA forecasting model. sarimainputtest.py Generates predictions using the trained SARIMA model. lstmtraining.py Trains the LSTM neural network model. lstm_inference.py Performs inference using the trained LSTM model. narx_training.py Trains the NARX model. narx_inference.py Generates predictions using the trained NARX model. rflearning.py Trains the Random Forest regression model. rfinference.py Performs prediction using the trained Random Forest model. xgblearning.py Trains the XGBoost regression model. xgbinference.py Performs prediction using the trained XGBoost model. ensemble_trainingstack.py Trains the stacking ensemble model using predictions from the base models. ensemble_inferencestack.py Performs inference using the trained stacking ensemble model. ------------------------------------------------------------------------------------------------------------      7. Funding:  This work was supported by the European Regional Development Fund under the project Research Platform for Digital Transformation and Society 5.0 CZ.02.01.01/00/23_021/0012599 within the Jan Amos Komensky Operational Program supported by the Ministry of Education, Youth and Sports and co-financed by the European Union.   This work was supported by the project Enhance Europe – Energy Harvesting Collectors for Urban Road Pavement (Project No. TQ06000003), funded by the Technology Agency of the Czech Republic under the Sigma Program.   This research was also carried out within the CETPartnership (Clean Energy Transition Partnership) under the 2023 joint call for research proposals, co-funded by the European Commission (Grant Agreement No. 101069750) and by the funding organizations listed at https://cetpartnership.eu/funding-agencies-and-call-modules.    

• Zenodo https://zenodo.org/records/21100026first seen 2026-07-03 04:14:42 · last seen 2026-07-06 04:22:22