論文の概要: STDHL: Spatio-Temporal Dynamic Hypergraph Learning for Wind Power Forecasting

• arxiv url: http://arxiv.org/abs/2412.11393v1
• Date: Mon, 16 Dec 2024 02:43:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:54:37.830398
• Title: STDHL: Spatio-Temporal Dynamic Hypergraph Learning for Wind Power Forecasting
• Title（参考訳）: STDHL:風力予測のための時空間動的ハイパーグラフ学習
• Authors: Xiaochong Dong, Xuemin Zhang, Ming Yang, Shengwei Mei,
• Abstract要約: 風力発電所における空間的特徴を表現するための動的ハイパーグラフ学習(STDHL)モデルを提案する。 STDHLモデルは、動的空間相関をモデル化するための新しい動的ハイパーグラフ畳み込み層と、チャネル非依存の時間モデルのためのグループ化された時間畳み込み層を組み込んでいる。
• 参考スコア（独自算出の注目度）: 5.003934238878358
• License:
• Abstract: Leveraging spatio-temporal correlations among wind farms can significantly enhance the accuracy of ultra-short-term wind power forecasting. However, the complex and dynamic nature of these correlations presents significant modeling challenges. To address this, we propose a spatio-temporal dynamic hypergraph learning (STDHL) model. This model uses a hypergraph structure to represent spatial features among wind farms. Unlike traditional graph structures, which only capture pair-wise node features, hypergraphs create hyperedges connecting multiple nodes, enabling the representation and transmission of higher-order spatial features. The STDHL model incorporates a novel dynamic hypergraph convolutional layer to model dynamic spatial correlations and a grouped temporal convolutional layer for channel-independent temporal modeling. The model uses spatio-temporal encoders to extract features from multi-source covariates, which are mapped to quantile results through a forecast decoder. Experimental results using the GEFCom dataset show that the STDHL model outperforms existing state-of-the-art methods. Furthermore, an in-depth analysis highlights the critical role of spatio-temporal covariates in improving ultra-short-term forecasting accuracy.
• Abstract（参考訳）: 風力発電所間の時空間相関の緩和は,超短周期風力予測の精度を著しく向上させることができる。 しかし、これらの相関関係の複雑でダイナミックな性質は、重要なモデリング上の課題を呈している。 そこで本研究では,時空間動的ハイパーグラフ学習(STDHL)モデルを提案する。 このモデルは、風力発電所の空間的特徴を表現するためにハイパーグラフ構造を用いる。 ペアワイズノードの特徴のみをキャプチャする従来のグラフ構造とは異なり、ハイパーグラフは複数のノードを接続するハイパーエッジを生成し、高階空間特徴の表現と伝達を可能にする。 STDHLモデルは、動的空間相関をモデル化するための新しい動的ハイパーグラフ畳み込み層と、チャネル非依存の時間モデルのためのグループ化された時間畳み込み層を組み込んでいる。 このモデルは、時空間エンコーダを使用して、予測デコーダを通じて量子結果にマップされるマルチソースの共変量から特徴を抽出する。 GEFComデータセットを用いた実験結果から、STDHLモデルは既存の最先端手法よりも優れていることが示された。 さらに、詳細な分析では、超短時間の予測精度向上における時空間共変量の重要性を強調している。

関連論文リスト

• HyperFLINT: Hypernetwork-based Flow Estimation and Temporal Interpolation for Scientific Ensemble Visualization [26.472939569860607]
  HyperFLINTは、流れ場を推定し、時間的に補間し、アンサンブルデータにおけるパラメータ空間探索を容易にする、新しいディープラーニングベースのアプローチである。 一連の実験では、HyperFLINTのフロー場推定性能が大幅に向上し、パラメータ空間探索が可能になった。
  論文  参考訳（メタデータ） (2024-12-05T12:01:20Z)
• How to Bridge Spatial and Temporal Heterogeneity in Link Prediction? A Contrastive Method [11.719027225797037]
  我々は,新しいtextbfContrastive Learning-based textbfLink textbfPrediction model, textbfCLPを提案する。 我々のマイモデルは最先端モデルよりも一貫して優れており、AUCとAPで平均10.10%、13.44%の改善が示されている。
  論文  参考訳（メタデータ） (2024-11-01T14:20:53Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• SFTformer: A Spatial-Frequency-Temporal Correlation-Decoupling Transformer for Radar Echo Extrapolation [15.56594998349013]
  レーダエコーの空間形態と時間的進化はある程度の相関関係を示すが、それらは独立性を持っている。 レーダエコーのダイナミックスを効果的にモデル化するために,時空間相関分離変換器(SFTformer)を提案する。 HKO-7 と ChinaNorth-2021 データセットの実験結果から,SFTfomer の短時間 (1h), 中期 (2h), 長期 (3h) 降水量に優れた性能を示した。
  論文  参考訳（メタデータ） (2024-02-28T04:43:41Z)
• FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
  現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。 提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
  論文  参考訳（メタデータ） (2023-11-10T17:13:26Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
  我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。 本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。 特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
  論文  参考訳（メタデータ） (2021-04-06T01:44:15Z)
• Temporal Graph Modeling for Skeleton-based Action Recognition [25.788239844759246]
  複雑な時間的ダイナミクスを捉えるための時間拡張グラフ畳み込みネットワーク(TE-GCN)を提案する。 構築された時間関係グラフは、意味的に関連する時間的特徴間の接続を明示的に構築する。 2つの大規模データセットで実験を行う。
  論文  参考訳（メタデータ） (2020-12-16T09:02:47Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。