論文の概要: TriForecaster: A Mixture of Experts Framework for Multi-Region Electric Load Forecasting with Tri-dimensional Specialization

• arxiv url: http://arxiv.org/abs/2508.09753v1
• Date: Wed, 13 Aug 2025 12:34:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.881908
• Title: TriForecaster: A Mixture of Experts Framework for Multi-Region Electric Load Forecasting with Tri-dimensional Specialization
• Title（参考訳）: TriForecaster: マルチリージョン電力需要予測と3次元特殊化のためのエキスパートフレームワークの混合
• Authors: Zhaoyang Zhu, Zhipeng Zeng, Qiming Chen, Linxiao Yang, Peiyuan Liu, Weiqi Chen, Liang Sun,
• Abstract要約: 我々は,大規模領域内の複数のサブリージョンに対して,短時間の負荷予測を正確に行うことを目的としたMRELF(Multi-Region Electric Load Forecasting)問題に着目する。 本稿では,MTL(Multi-Task Learning)パラダイムにおけるME(Mixture of Experts)アプローチを活用した新しいフレームワークであるTriForecasterを提案する。 粒度の異なる4つの実世界のMRELFデータセットの評価に基づいて、TriForecasterは平均予測誤差を22.4%削減することで最先端のモデルより優れている。
• 参考スコア（独自算出の注目度）: 12.32011632704416
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electric load forecasting is pivotal for power system operation, planning and decision-making. The rise of smart grids and meters has provided more detailed and high-quality load data at multiple levels of granularity, from home to bus and cities. Motivated by similar patterns of loads across different cities in a province in eastern China, in this paper we focus on the Multi-Region Electric Load Forecasting (MRELF) problem, targeting accurate short-term load forecasting for multiple sub-regions within a large region. We identify three challenges for MRELF, including regional variation, contextual variation, and temporal variation. To address them, we propose TriForecaster, a new framework leveraging the Mixture of Experts (MoE) approach within a Multi-Task Learning (MTL) paradigm to overcome these challenges. TriForecaster features RegionMixer and Context-Time Specializer (CTSpecializer) layers, enabling dynamic cooperation and specialization of expert models across regional, contextual, and temporal dimensions. Based on evaluation on four real-world MRELF datasets with varied granularity, TriForecaster outperforms state-of-the-art models by achieving an average forecast error reduction of 22.4\%, thereby demonstrating its flexibility and broad applicability. In particular, the deployment of TriForecaster on the eForecaster platform in eastern China exemplifies its practical utility, effectively providing city-level, short-term load forecasts for 17 cities, supporting a population exceeding 110 million and daily electricity usage over 100 gigawatt-hours.
• Abstract（参考訳）: 電力負荷予測は、電力系統の運用、計画、意思決定において重要である。 スマートグリッドとメーターの台頭は、家からバス、都市に至るまで、さまざまなレベルの粒度で、より詳細で高品質な負荷データを提供してきた。 本報告では,中国東部の地方にまたがる異なる都市にまたがる類似の負荷パターンに触発され,大規模な地域内の複数の地域において,短時間の負荷予測を正確に行うことを目的としたMRELF(Multi-Region Electric Load Forecasting)問題に焦点を当てる。 MRELFの課題は,地域的変動,文脈的変動,時間的変動の3つである。 そこで我々は,MTL(Multi-Task Learning)パラダイムにおけるME(Mixture of Experts)アプローチを活用した新しいフレームワークであるTriForecasterを提案する。 TriForecaster は RegionMixer と Context-Time Specializer (CT Specializer) レイヤを特徴としている。 粒度の異なる4つの実世界のMRELFデータセットの評価に基づいて、TriForecasterは、平均予測誤差の22.4\%を達成し、その柔軟性と広範囲な適用性を示すことによって、最先端モデルより優れている。 特に、中国東部のeForecasterプラットフォームへのTriForecasterの展開は、その実用性を実証し、17都市の都市レベルの短期負荷予測を効果的に提供し、人口は1億1000万人を超え、毎日の電力使用量は100ギガワット時間を超えている。

関連論文リスト

• T3Time: Tri-Modal Time Series Forecasting via Adaptive Multi-Head Alignment and Residual Fusion [0.4915744683251151]
  T3Timeは、時間、スペクトル、プロンプトブランチで構成される新しい3モーダルフレームワークである。 予測地平線に基づいて時間的特徴とスペクトル的特徴の優先順位付けを学習する。 我々のモデルは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-08-06T09:31:44Z)
• DOVA-PATBM: An Intelligent, Adaptive, and Scalable Framework for Optimizing Large-Scale EV Charging Infrastructure [3.74242093516574]
  本稿では,単一パイプラインでコンテキストを統一するジオコンピューティングフレームワークであるDOVA-PATBM(Voronoi-oriented, Adaptive, POI-Aware Temporal Behaviour Model)を提案する。 ヘテロジニアスなデータ(中心性、人口、夜間光、POI、フィードライン)を階層的なH3グリッドに方法論する。 ゾーン正規化グラフニューラルネットワークモデルとの交差の重要性を推測し、30kmの半径で少なくとも1つの5ポートのDC高速充電器を保証するボロノイ・テッセルレーションをオーバーレイする。
  論文  参考訳（メタデータ） (2025-06-18T09:15:18Z)
• A Multi-scale Representation Learning Framework for Long-Term Time Series Forecasting [6.344911113059126]
  長期時系列予測(LTSF)は、エネルギー消費や天気予報といった実用的な設定において幅広い用途を提供する。 この研究は、多粒度情報の最適部分利用を含むLTSFの重要な問題に直面している。 提案手法は,様々なスケールにわたる明瞭で同時的な予測を用いて,複雑な時間的ダイナミクスを適切に解き放つ。
  論文  参考訳（メタデータ） (2025-05-13T03:26:44Z)
• Prediction Is All MoE Needs: Expert Load Distribution Goes from Fluctuating to Stabilizing [3.9094872570262456]
  MoEは、モデルの計算複雑性をパラメータの増加とともに線形にスケールしないようにすることで、大型モデルの開発を促進する。 この作業は、専門家配置のための貴重なガイダンスや、MoEモデルのトレーニングのためのリソース割り当てを提供することができます。
  論文  参考訳（メタデータ） (2024-04-25T15:39:59Z)
• Mastering Text, Code and Math Simultaneously via Fusing Highly Specialized Language Models [93.92762966380793]
  大規模言語モデル(LLM)は、3つのドメインすべてにまたがって高いパフォーマンスを同時に達成しようと試みている。 本稿では,すでに高度に特殊化されているモデルを融合する手法を提案する。 提案されているハウジングフレームワークであるUltraFuserは、すでに言語、コーディング、数学について十分に訓練されている3つの異なるスペシャリストで構成されている。
  論文  参考訳（メタデータ） (2024-03-13T06:18:48Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Frugal day-ahead forecasting of multiple local electricity loads by aggregating adaptive models [0.0]
  フランスにおける配電網の変電所の日頭電力負荷予測に着目する。 そこで我々は,パラメータの数を削減し,伝達学習を実現するフラジカル変種を開発した。 私たちは、運用アプリケーションにとって重要なモデルの解釈可能性を強調します。
  論文  参考訳（メタデータ） (2023-02-16T10:17:19Z)

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。