論文の概要: IISE PG&E Energy Analytics Challenge 2025: Hourly-Binned Regression Models Beat Transformers in Load Forecasting

• arxiv url: http://arxiv.org/abs/2505.11390v1
• Date: Fri, 16 May 2025 15:55:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:15.562937
• Title: IISE PG&E Energy Analytics Challenge 2025: Hourly-Binned Regression Models Beat Transformers in Load Forecasting
• Title（参考訳）: IISE PG&E Energy Analytics Challenge 2025: 負荷予測においてトランスフォーマーを上回る時間結合回帰モデル
• Authors: Millend Roy, Vladimir Pyltsov, Yinbo Hu,
• Abstract要約: 本研究では,古典的回帰手法から高度なディープラーニングアーキテクチャに至るまで,予測モデルを評価する。 このデータセットには、過去2年間の電力負荷データと、5つの場所にわたる温度およびグローバル水平照射(GHI)が含まれている。 その結果、TimeGPTを含むディープラーニングモデルは、より単純な統計的および機械学習アプローチを一貫して上回りません。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate electricity load forecasting is essential for grid stability, resource optimization, and renewable energy integration. While transformer-based deep learning models like TimeGPT have gained traction in time-series forecasting, their effectiveness in long-term electricity load prediction remains uncertain. This study evaluates forecasting models ranging from classical regression techniques to advanced deep learning architectures using data from the ESD 2025 competition. The dataset includes two years of historical electricity load data, alongside temperature and global horizontal irradiance (GHI) across five sites, with a one-day-ahead forecasting horizon. Since actual test set load values remain undisclosed, leveraging predicted values would accumulate errors, making this a long-term forecasting challenge. We employ (i) Principal Component Analysis (PCA) for dimensionality reduction and (ii) frame the task as a regression problem, using temperature and GHI as covariates to predict load for each hour, (iii) ultimately stacking 24 models to generate yearly forecasts. Our results reveal that deep learning models, including TimeGPT, fail to consistently outperform simpler statistical and machine learning approaches due to the limited availability of training data and exogenous variables. In contrast, XGBoost, with minimal feature engineering, delivers the lowest error rates across all test cases while maintaining computational efficiency. This highlights the limitations of deep learning in long-term electricity forecasting and reinforces the importance of model selection based on dataset characteristics rather than complexity. Our study provides insights into practical forecasting applications and contributes to the ongoing discussion on the trade-offs between traditional and modern forecasting methods.
• Abstract（参考訳）: グリッド安定性、資源最適化、再生可能エネルギー統合には、正確な電力負荷予測が不可欠である。 TimeGPTのようなトランスフォーマーベースのディープラーニングモデルは時系列予測で注目を集めているが、長期的な電力負荷予測の有効性はいまだ不明である。 本研究では,ESD 2025コンペティションのデータを用いて,古典的回帰手法から高度なディープラーニングアーキテクチャまで,予測モデルを評価する。 このデータセットには、過去2年間の電力負荷データと、5つの場所にわたる温度と地球規模の水平照度(GHI)、そして1日の予測地平線が含まれている。 実際のテストセットのロード値は開示されていないため、予測値を活用するとエラーが蓄積されるため、これは長期的な予測課題となる。 採用 一 次元減少のための主成分分析(PCA) (II) 温度とGHIを共変量として各時間毎の負荷を予測することにより、回帰問題としてタスクをフレーム化する。 (3)最終的に24モデルを積み重ねて年間予測を生成する。 以上の結果から,TimeGPTを含むディープラーニングモデルは,トレーニングデータや外因性変数の不足により,より単純な統計的および機械学習アプローチを一貫して上回りません。 対照的に、XGBoostは、最小限の機能エンジニアリングで、計算効率を維持しながら、すべてのテストケースで最小のエラー率を提供する。 これは、長期電気予測におけるディープラーニングの限界を強調し、複雑さよりもデータセット特性に基づくモデル選択の重要性を強化する。 本研究は,従来の予測手法と現代の予測手法のトレードオフに関する議論に引き続き貢献する。

関連論文リスト

• Load Forecasting for Households and Energy Communities: Are Deep Learning Models Worth the Effort? [0.0]
  この研究は、エネルギーコミュニティにおける短期負荷予測のための最先端ディープラーニングモデルの広範なベンチマークを提供する。 LSTM、xLSTM、Transformerは、KNN、合成負荷モデル、永続化予測モデルなどのベンチマークと比較される。
  論文  参考訳（メタデータ） (2025-01-09T06:29:50Z)
• Efficient mid-term forecasting of hourly electricity load using generalized additive models [0.0]
  本稿では,解釈可能なP-スプラインから構築したGAMを用いた新しい予測手法を提案する。 提案手法は,9年以上にわたる欧州24カ国の負荷データを用いて評価した。
  論文  参考訳（メタデータ） (2024-05-27T11:41:41Z)
• 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)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• 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)
• A comparative assessment of deep learning models for day-ahead load forecasting: Investigating key accuracy drivers [2.572906392867547]
  短期負荷予測(STLF)は電力グリッドとエネルギー市場の効果的かつ経済的な運用に不可欠である。 STLFの文献ではいくつかのディープラーニングモデルが提案されており、有望な結果を報告している。
  論文  参考訳（メタデータ） (2023-02-23T17:11:04Z)
• 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)

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。