論文の概要: 2DXformer: Dual Transformers for Wind Power Forecasting with Dual Exogenous Variables

• arxiv url: http://arxiv.org/abs/2505.01286v1
• Date: Fri, 02 May 2025 14:00:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:20.052001
• Title: 2DXformer: Dual Transformers for Wind Power Forecasting with Dual Exogenous Variables
• Title（参考訳）: 2DXformer:2自由度可変型風力予測用デュアルトランス
• Authors: Yajuan Zhang, Jiahai Jiang, Yule Yan, Liang Yang, Ping Zhang,
• Abstract要約: 深層学習に基づく風力予測手法は,データ間の相関関係の抽出に重点を置いており,予測精度の大幅な向上を実現している。 しかし、時間的関係のモデリングが欠如しており、予測の精度が制限されている。 本稿では,風の時間的相関に着目した2DXformerを提案する。
• 参考スコア（独自算出の注目度）: 8.401357727849419
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate wind power forecasting can help formulate scientific dispatch plans, which is of great significance for maintaining the safety, stability, and efficient operation of the power system. In recent years, wind power forecasting methods based on deep learning have focused on extracting the spatiotemporal correlations among data, achieving significant improvements in forecasting accuracy. However, they exhibit two limitations. First, there is a lack of modeling for the inter-variable relationships, which limits the accuracy of the forecasts. Second, by treating endogenous and exogenous variables equally, it leads to unnecessary interactions between the endogenous and exogenous variables, increasing the complexity of the model. In this paper, we propose the 2DXformer, which, building upon the previous work's focus on spatiotemporal correlations, addresses the aforementioned two limitations. Specifically, we classify the inputs of the model into three types: exogenous static variables, exogenous dynamic variables, and endogenous variables. First, we embed these variables as variable tokens in a channel-independent manner. Then, we use the attention mechanism to capture the correlations among exogenous variables. Finally, we employ a multi-layer perceptron with residual connections to model the impact of exogenous variables on endogenous variables. Experimental results on two real-world large-scale datasets indicate that our proposed 2DXformer can further improve the performance of wind power forecasting. The code is available in this repository: \href{https://github.com/jseaj/2DXformer}{https://github.com/jseaj/2DXformer}.
• Abstract（参考訳）: 正確な風力予測は、電力システムの安全性、安定性、効率的な運転を維持する上で非常に重要な科学的派遣計画の策定に役立てることができる。 近年,深層学習に基づく風力予測手法は,データ間の時空間相関の抽出に重点を置いており,予測精度の大幅な向上を実現している。 しかし、2つの制限がある。 まず、変数間の関係のモデリングが欠如しており、予測の精度が制限されている。 第二に、内因性変数と外因性変数を等しく扱うことにより、内因性変数と外因性変数の間の不要な相互作用が生じ、モデルの複雑さが増大する。 本稿では,従来の時空間相関に着目した2DXformerを提案する。 具体的には、モデルの入力を、外因性静的変数、外因性動的変数、内因性変数の3つのタイプに分類する。 まず、これらの変数をチャネルに依存しない方法で変数トークンとして埋め込む。 次に,注意機構を用いて,外因性変数間の相関を捉える。 最後に,外因性変数が内因性変数に与える影響をモデル化するために,残差接続を有する多層パーセプトロンを用いる。 2つの実世界の大規模データセットによる実験結果から,提案した2DXformerは風力予測の性能をさらに向上させることができることが示唆された。 コードは、このリポジトリで入手できる。 \href{https://github.com/jseaj/2DXformer}{https://github.com/jseaj/2DXformer}

関連論文リスト

• ExoTST: Exogenous-Aware Temporal Sequence Transformer for Time Series Prediction [11.511830352094353]
  時系列予測のためのトランスフォーマーベースのフレームワークであるExoTSTを提案する。 過去の変数と現在の変数を統合するために、ExoTSTは、新しい時間的相互モダリティ融合モジュールを導入した。 実世界の炭素フラックスデータセットと時系列ベンチマークの実験は、ExoTSTの優れた性能を示している。
  論文  参考訳（メタデータ） (2024-10-16T03:04:37Z)
• VCformer: Variable Correlation Transformer with Inherent Lagged Correlation for Multivariate Time Series Forecasting [1.5165632546654102]
  本稿では,変数間の相関を抽出する可変相関変換器(VCformer)を提案する。 VCAはクエリとキー間の遅延に応じて、相互相関スコアを計算し、統合する。 クープマンダイナミクス理論にインスパイアされた我々は、時系列の非定常性を改善するために、クープマン時間検出器(KTD)を開発した。
  論文  参考訳（メタデータ） (2024-05-19T07:39:22Z)
• TimeXer: Empowering Transformers for Time Series Forecasting with Exogenous Variables [75.83318701911274]
  TimeXerは外部情報を取り込み、内因性変数の予測を強化する。 TimeXerは、12の現実世界の予測ベンチマークで一貫した最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-29T11:54:35Z)
• Unified Multivariate Gaussian Mixture for Efficient Neural Image Compression [151.3826781154146]
  先行変数と超優先度を持つ潜伏変数は、変動画像圧縮において重要な問題である。 ベクトル化された視点で潜伏変数を観察する際、相関関係や相関関係は存在する。 当社のモデルでは、速度歪曲性能が向上し、圧縮速度が3.18倍に向上した。
  論文  参考訳（メタデータ） (2022-03-21T11:44:17Z)
• Interpretable Latent Variables in Deep State Space Models [4.884336328409872]
  我々は、時系列データを予測するために、リカレントニューラルネットワークと状態空間フレームワークを組み合わせたディープステートスペースモデル(DSSM)の新バージョンを導入する。 このモデルは、観測された系列を、時間を通して非線形に進化する潜在変数の関数として推定する。
  論文  参考訳（メタデータ） (2022-03-03T23:10:58Z)
• Encoding Causal Macrovariables [0.0]
  多くの科学分野において、よりきめ細かい系の力学を説明・予測するために粗粒因果モデルが用いられる。 この研究は、マイクロステート間の情報ボトルネックとして因果マクロ変数の新たな特徴化にインスパイアされた、新しいアルゴリズム的アプローチを導入する。
  論文  参考訳（メタデータ） (2021-11-29T17:25:11Z)
• X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
  ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。 両世界の力を生かすために,我々は新しいX-モデルを提案する。 X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
  論文  参考訳（メタデータ） (2021-10-09T13:56:48Z)

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。