論文の概要: Predicting Estimated Times of Restoration for Electrical Outages Using Longitudinal Tabular Transformers
- arxiv url: http://arxiv.org/abs/2505.00225v1
- Date: Thu, 01 May 2025 00:25:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:55.19088
- Title: Predicting Estimated Times of Restoration for Electrical Outages Using Longitudinal Tabular Transformers
- Title（参考訳）: 歯槽変圧器を用いた電気的障害の回復予測
- Authors: Bogireddy Sai Prasanna Teja, Valliappan Muthukaruppan, Carls Benjamin,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As climate variability increases, the ability of utility providers to deliver precise Estimated Times of Restoration (ETR) during natural disasters has become increasingly critical. Accurate and timely ETRs are essential for enabling customer preparedness during extended power outages, where informed decision-making can be crucial, particularly in severe weather conditions. Nonetheless, prevailing utility practices predominantly depend on manual assessments or traditional statistical methods, which often fail to achieve the level of precision required for reliable and actionable predictions. To address these limitations, we propose a Longitudinal Tabular Transformer (LTT) model that leverages historical outage event data along with sequential updates of these events to improve the accuracy of ETR predictions. The model's performance was evaluated over 34,000 storm-related outage events from three major utility companies, collectively serving over 3 million customers over a 2-year period. Results demonstrate that the LTT model improves the Customer Satisfaction Impact (CSI) metric by an average of 19.08% (p > 0.001) compared to existing methods. Additionally, we introduce customer-informed regression metrics that align model evaluation with real-world satisfaction, ensuring the outcomes resonate with customer expectations. Furthermore, we employ interpretability techniques to analyze the temporal significance of incorporating sequential updates in modeling outage events and to identify the contributions of predictive features to a given ETR. This comprehensive approach not only improves predictive accuracy but also enhances transparency, fostering greater trust in the model's capabilities.
- Abstract（参考訳）: 気候の変動が増加するにつれて、自然災害時の正確な推定時刻(ETR)の提供能力はますます重要になっている。
高精度かつタイムリーなETRは、特に厳しい気象条件において、情報決定が不可欠である拡張電源停止時の顧客準備を可能にするために不可欠である。
それにもかかわらず、一般的なユーティリティの実践は主に手動の評価や従来の統計手法に依存しており、信頼性と行動可能な予測に必要な精度のレベルを達成できないことが多い。
これらの制約に対処するため,歴史的停電イベントデータとイベントの逐次更新を活用してETR予測の精度を向上させる縦型タブラルトランスフォーマ(LTT)モデルを提案する。
モデルの性能は3つの大手電力会社による34,000件以上の暴風雨関連イベントで評価され、合計で2年間に300万人以上の顧客にサービスを提供している。
その結果, LTTモデルは既存の手法と比較して, 顧客満足度(CSI)の指標を平均19.08%(p > 0.001)改善していることがわかった。
さらに、モデル評価を現実の満足度と整合させ、結果が顧客の期待に合致することを保証する顧客インフォームドレグレッション指標を導入します。
さらに, あるETRに対する予測的特徴の寄与を識別するために, モデル停止イベントに逐次更新を組み込むことの時間的意義を解析するために, 解釈可能性技術を用いる。
この包括的なアプローチは予測精度を向上するだけでなく、透明性を高め、モデルの能力に対する信頼性を高めます。
関連論文リスト
- Powerformer: A Transformer with Weighted Causal Attention for Time-series Forecasting [50.298817606660826]
我々は,非因果重みをスムーズな重み付き崩壊に応じて再加重する因果重みに置き換える新しいトランスフォーマーであるPowerformerを紹介する。
我々の実証実験の結果,Powerformer は公開時系列ベンチマークで最先端の精度を達成できた。
分析の結果、トレーニング中にモデルの局所性バイアスが増幅され、時系列データとパワールールに基づく注意の相互作用が示されることがわかった。
論文 参考訳（メタデータ） (2025-02-10T04:42:11Z) - Addressing Delayed Feedback in Conversion Rate Prediction via Influence Functions [23.97164200705282]
遅延フィードバックモデリング(IF-DFM)のための影響関数を用いたフレームワークを提案する。
IF-DFMは、新たに取得した変換データと遅延した変換データがモデルパラメータに与える影響を推定するために影響関数を利用する。
ベンチマークデータセットの実験では、IF-DFMが最先端の手法を一貫して超越していることが示されている。
論文 参考訳（メタデータ） (2025-02-01T16:23:13Z) - Integrating the Expected Future in Load Forecasts with Contextually Enhanced Transformer Models [4.868683179698627]
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。
論文 参考訳（メタデータ） (2024-08-26T12:32:40Z) - Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。
実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。
Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
論文 参考訳（メタデータ） (2024-07-28T19:18:59Z) - Predictability Analysis of Regression Problems via Conditional Entropy Estimations [1.8913544072080544]
回帰問題の予測可能性を評価するために,条件付きエントロピー推定器を開発した。
合成および実世界のデータセットの実験は、これらの推定器の堅牢性と有用性を示している。
論文 参考訳（メタデータ） (2024-06-06T07:59:19Z) - Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes:
Functional and Augmented Data Structures in Financial Forecasting [0.0]
本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。
GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。
これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
論文 参考訳（メタデータ） (2024-02-23T06:09:45Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - Kunyu: A High-Performing Global Weather Model Beyond Regression Losses [0.0]
大気変数の包括的配列を0.35デグ分解能で正確に予測する,グローバルなデータ駆動型天気予報モデルであるKunyuについて紹介する。
トレーニングフレームワークにレグレッションと敵の損失が組み込まれ、クンユは明快さとリアリズムを増した予測を生成する。
論文 参考訳（メタデータ） (2023-12-04T17:30:41Z) - 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) - Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。
合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
論文 参考訳（メタデータ） (2023-02-23T18:57:14Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文 参考訳（メタデータ） (2022-09-23T16:13:47Z)
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。