論文の概要: Integrating the Expected Future in Load Forecasts with Contextually Enhanced Transformer Models

• arxiv url: http://arxiv.org/abs/2409.05884v2
• Date: Fri, 21 Feb 2025 10:45:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-24 21:37:38.852721
• Title: Integrating the Expected Future in Load Forecasts with Contextually Enhanced Transformer Models
• Title（参考訳）: 環境適応型変圧器モデルによる負荷予測の将来予測
• Authors: Raffael Theiler, Leandro Von Krannichfeldt, Giovanni Sansavini, Michael F. Howland, Olga Fink,
• Abstract要約: 本研究は,予測をシーケンス・ツー・シーケンス予測問題として概念化する。 文脈情報をすべて効果的に活用するために設計した文脈拡張型トランスフォーマーモデルを導入する。 他の最先端手法と比較して、我々のアプローチは既存のモデルよりも一貫して優れています。
• 参考スコア（独自算出の注目度）: 4.868683179698627
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate and reliable energy forecasting is essential for power grid operators who strive to minimize extreme forecasting errors that pose significant operational challenges and incur high intra-day trading costs. Incorporating planning information -- such as anticipated user behavior, scheduled events or timetables -- provides substantial contextual information to enhance forecast accuracy and reduce the occurrence of large forecasting errors. Existing approaches, however, lack the flexibility to effectively integrate both dynamic, forward-looking contextual inputs and historical data. In this work, we conceptualize forecasting as a combined forecasting-regression task, formulated as a sequence-to-sequence prediction problem, and introduce contextually-enhanced transformer models designed to leverage all contextual information effectively. We demonstrate the effectiveness of our approach through a primary case study on nationwide railway energy consumption forecasting, where integrating contextual information into transformer models, particularly timetable data, resulted in a significant average mean absolute error reduction of 26.6%. An auxiliary case study on building energy forecasting, leveraging planned office occupancy data, further illustrates the generalizability of our method, showing an average reduction of 56.3% in mean absolute error. Compared to other state-of-the-art methods, our approach consistently outperforms existing models, underscoring the value of context-aware deep learning techniques in energy forecasting applications.
• Abstract（参考訳）: 重要な運用上の課題を生じさせる極端な予測エラーを最小限に抑え、日内取引コストの高い電力グリッド運用者にとって、正確で信頼性の高いエネルギー予測は不可欠である。 予測されたユーザ行動、スケジュールされたイベント、あるいは時刻表などの計画情報を組み込むことで、予測精度を高め、大きな予測エラーの発生を減らすことができる。 しかし、既存のアプローチには、動的で前方に見えるコンテキスト入力と履歴データの両方を効果的に統合する柔軟性がない。 本研究では,予測処理を複合予測タスクとして概念化し,シーケンス・ツー・シーケンス予測問題として定式化し,文脈的に拡張された変換器モデルを導入し,すべての文脈情報を効果的に活用する。 本研究は,変圧器モデル,特に時系列データに文脈情報を組み込むことで,平均絶対誤差を26.6%削減するという,全国的な鉄道エネルギー消費予測の事例研究を通じて,本手法の有効性を実証するものである。 ビルのエネルギー予測に関する補助ケーススタディでは,計画されたオフィス占有データを利用して,提案手法の一般化可能性を示し,平均絶対誤差を56.3%削減した。 他の最先端手法と比較して、我々のアプローチは既存のモデルより一貫して優れており、エネルギー予測アプリケーションにおける文脈認識深層学習技術の価値が強調されている。

関連論文リスト

• Predicting Estimated Times of Restoration for Electrical Outages Using Longitudinal Tabular Transformers [0.0]
  ETR予測の精度を向上させるために, 時系列更新とともに過去のイベントデータを活用する縦型タブラル変圧器(LTT)モデルを提案する。 モデルの性能は3つの主要ユーティリティー企業による34,000件以上の嵐関連障害イベントで評価された。
  論文  参考訳（メタデータ） (2025-05-01T00:25:43Z)
• Microfoundation Inference for Strategic Prediction [26.277259491014163]
  本稿では,人口に対する予測モデルの長期的影響をカプセル化した分布図の学習手法を提案する。 具体的には,エージェントの応答をコストユーティリティ問題としてモデル化し,そのコストを見積もる。 本稿では,この推定値の収束率と,クレジット・スコアリング・データセットの実証実験による品質評価について述べる。
  論文  参考訳（メタデータ） (2024-11-13T19:37:49Z)
• Deconfounding Time Series Forecasting [1.5967186772129907]
  時系列予測は様々な領域において重要な課題であり、正確な予測は情報的な意思決定を促進する。 従来の予測手法は、しばしば将来の結果を予測するために変数の現在の観測に依存している。 本稿では,過去のデータから得られた潜在的共同設立者の表現を取り入れた予測手法を提案する。
  論文  参考訳（メタデータ） (2024-10-27T12:45:42Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Future-Guided Learning: A Predictive Approach To Enhance Time-Series Forecasting [4.866362841501992]
  本稿では、時系列イベント予測を強化するアプローチであるFuture-Guided Learningを紹介する。 提案手法は,重要な事象を特定するために将来的なデータを解析する検出モデルと,これらの事象を現在のデータに基づいて予測する予測モデルである。 予測モデルと検出モデルの間に不一致が発生した場合、予測モデルはより実質的な更新を行う。
  論文  参考訳（メタデータ） (2024-10-19T21:22:55Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Meta-learning and Data Augmentation for Stress Testing Forecasting Models [0.33554367023486936]
  モデルがストレスにさらされていると考えられるのは、高次のエラーや不確実性の増加など、ネガティブな振る舞いを示す場合である。 本稿では,MAST(Meta-learning and data Augmentation for Stress Testing)と呼ばれる新しいフレームワークに貢献する。
  論文  参考訳（メタデータ） (2024-06-24T17:59:33Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• TimeSieve: Extracting Temporal Dynamics through Information Bottlenecks [31.10683149519954]
  本稿では,時系列予測モデルTimeSieveを提案する。 提案手法では、ウェーブレット変換を用いて時系列データを前処理し、マルチスケールの特徴を効果的にキャプチャする。 本研究は,時系列予測における課題に対処するためのアプローチの有効性を検証した。
  論文  参考訳（メタデータ） (2024-06-07T15:58:12Z)
• A Temporally Disentangled Contrastive Diffusion Model for Spatiotemporal Imputation [35.46631415365955]
  C$2$TSDという条件拡散フレームワークを導入する。 実世界の3つのデータセットに対する我々の実験は、最先端のベースラインと比較して、我々のアプローチの優れた性能を示している。
  論文  参考訳（メタデータ） (2024-02-18T11:59:04Z)
• Prediction of rare events in the operation of household equipment using co-evolving time series [1.1249583407496218]
  我々のアプローチは、データの時間的挙動を利用して予測能力を向上する重み付き自己回帰モデルである。 合成および実世界のデータセットの評価は、我々の手法が家庭機器の故障予測手法よりも優れていることを裏付けている。
  論文  参考訳（メタデータ） (2023-12-15T00:21:00Z)
• Forte: An Interactive Visual Analytic Tool for Trust-Augmented Net Load Forecasting [0.6144680854063939]
  本稿では,様々な入力変数にまたがる深い確率的ネット負荷予測モデルを探索する,視覚解析に基づくアプリケーションForteを提案する。 本稿では,Forteを用いた観測結果について論じ,気象入力とネット負荷予測との相関関係について,可視化手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-11-10T22:15:11Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
  本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。 我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。 そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:19:09Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Learning Prediction Intervals for Model Performance [1.433758865948252]
  モデル性能の予測間隔を計算する手法を提案する。 我々は,幅広いドリフト条件におけるアプローチを評価し,競合ベースラインよりも大幅に改善することを示す。
  論文  参考訳（メタデータ） (2020-12-15T21:32:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。