論文の概要: Real-E: A Foundation Benchmark for Advancing Robust and Generalizable Electricity Forecasting

• arxiv url: http://arxiv.org/abs/2509.05768v1
• Date: Sat, 06 Sep 2025 16:50:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.699648
• Title: Real-E: A Foundation Benchmark for Advancing Robust and Generalizable Electricity Forecasting
• Title（参考訳）: Real-E:ロバストと一般化可能な電力需要予測を改善するための基礎ベンチマーク
• Authors: Chen Shao, Yue Wang, Zhenyi Zhu, Zhanbo Huang, Sebastian Pütz, Benjamin Schäfer, Tobais Käfer, Michael Färber,
• Abstract要約: 我々は、30以上のヨーロッパ諸国の74以上の発電所を10年間にわたって、豊富なメタデータでカバーするReal-Eデータセットを提示する。 Real-Eを使って、さまざまなモデルタイプにまたがる20以上のベースラインに対して、広範なデータ分析とベンチマークを行います。 相関構造の変化を定量化するための新しい指標を導入し、既存の手法がデータセットに苦しむことを示す。
• 参考スコア（独自算出の注目度）: 8.040299639927019
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Energy forecasting is vital for grid reliability and operational efficiency. Although recent advances in time series forecasting have led to progress, existing benchmarks remain limited in spatial and temporal scope and lack multi-energy features. This raises concerns about their reliability and applicability in real-world deployment. To address this, we present the Real-E dataset, covering over 74 power stations across 30+ European countries over a 10-year span with rich metadata. Using Real- E, we conduct an extensive data analysis and benchmark over 20 baselines across various model types. We introduce a new metric to quantify shifts in correlation structures and show that existing methods struggle on our dataset, which exhibits more complex and non-stationary correlation dynamics. Our findings highlight key limitations of current methods and offer a strong empirical basis for building more robust forecasting models
• Abstract（参考訳）: エネルギー予測はグリッドの信頼性と運用効率に不可欠である。 近年の時系列予測の進歩は進歩しているが、既存のベンチマークは空間的・時間的範囲に限られており、マルチエネルギー的特徴が欠如している。 これにより、実際のデプロイメントにおける信頼性と適用性に関する懸念が高まる。 これを解決するために、30以上のヨーロッパ諸国の74以上の発電所をカバーするReal-Eデータセットを紹介します。 Real-Eを使って、さまざまなモデルタイプにまたがる20以上のベースラインに対して、広範なデータ分析とベンチマークを行います。 相関構造の変化を定量化するための新しい指標を導入し、既存の手法が我々のデータセットに苦労していることを示し、より複雑で非定常的な相関ダイナミクスを示す。 我々の発見は、現在の手法の重要な限界を強調し、より堅牢な予測モデルを構築するための強力な経験的基盤を提供する。

関連論文リスト

• Leveraging External Factors in Household-Level Electrical Consumption Forecasting using Hypernetworks [15.77742422761257]
  ハイパーネットワークアーキテクチャは,グローバルな電力消費予測モデルの精度を高めるために外部要因を活用することができることを示す。 約2年間にわたる包括的データセットを収集し,6000戸以上のルクセンブルク人世帯の消費データを収集した。
  論文  参考訳（メタデータ） (2025-06-17T12:35:24Z)
• IISE PG&E Energy Analytics Challenge 2025: Hourly-Binned Regression Models Beat Transformers in Load Forecasting [0.0]
  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。
  論文  参考訳（メタデータ） (2025-05-16T15:55:34Z)
• 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)
• Load Forecasting for Households and Energy Communities: Are Deep Learning Models Worth the Effort? [0.0]
  エネルギーコミュニティ(EC)は、地域需要のシフトと自己充足力の向上に重要な役割を果たしている。 データ駆動予測は注目されているが、多くの実践的な文脈ではまだ十分に調査されていない。 本研究は, 地域規模, 歴史的データ可用性, モデルの複雑さなど, 最先端のディープラーニングモデルの有効性を評価する。
  論文  参考訳（メタデータ） (2025-01-09T06:29:50Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Exploring Capabilities of Time Series Foundation Models in Building Analytics [15.525789412274587]
  モノのインターネット(IoT)ネットワークは、エネルギー消費の管理と最適化を変革した。 公開可能な2つのIoTデータセットの包括的なベンチマークを実施しています。 分析の結果, 単一モードモデルは, 建物におけるデータの変動性と物理的制約の複雑さを克服する上で, 極めて有望であることが示唆された。
  論文  参考訳（メタデータ） (2024-10-28T02:49:22Z)
• GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
  時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。 GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。 GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
  論文  参考訳（メタデータ） (2024-10-14T11:29:38Z)
• FATE: Focal-modulated Attention Encoder for Multivariate Time-series Forecasting [0.0]
  気候は、海面の上昇、氷河の融解、ますます極端な気候パターンなど、21世紀の最も急進的な世界的な課題の1つである。 正確な予測はこれらの現象を監視し、緩和戦略を支援するために重要である。 CNN、RNN、アテンションベースのトランスフォーマーなど、最近の時系列予測のためのデータ駆動モデルでは、依存関係と限定並列化に苦戦している。 本研究は,時系列予測のための修正注意文(FATE)を提示する。
  論文  参考訳（メタデータ） (2024-08-21T04:40:18Z)
• 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)
• 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。