論文の概要: WindFM: An Open-Source Foundation Model for Zero-Shot Wind Power Forecasting

• arxiv url: http://arxiv.org/abs/2509.06311v1
• Date: Mon, 08 Sep 2025 03:26:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.957082
• Title: WindFM: An Open-Source Foundation Model for Zero-Shot Wind Power Forecasting
• Title（参考訳）: WindFM: ゼロショット風力予測のためのオープンソース基盤モデル
• Authors: Hang Fan, Yu Shi, Zongliang Fu, Shuo Chen, Wei Wei, Wei Xu, Jian Li,
• Abstract要約: 本稿では,風力発電予測のための軽量かつ生成的基礎モデルであるWindFMを紹介する。 WindFMは、これらのトークンシーケンスを自己回帰的に事前学習することで、風力発電のダイナミクスの普遍的な表現を学習する。 本実験は,WindFMが決定的タスクと確率的タスクの両方において,最先端のゼロショット性能を実現することを示す。
• 参考スコア（独自算出の注目度）: 18.100611997642257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-quality wind power forecasting is crucial for the operation of modern power grids. However, prevailing data-driven paradigms either train a site-specific model which cannot generalize to other locations or rely on fine-tuning of general-purpose time series foundation models which are difficult to incorporate domain-specific data in the energy sector. This paper introduces WindFM, a lightweight and generative Foundation Model designed specifically for probabilistic wind power forecasting. WindFM employs a discretize-and-generate framework. A specialized time-series tokenizer first converts continuous multivariate observations into discrete, hierarchical tokens. Subsequently, a decoder-only Transformer learns a universal representation of wind generation dynamics by autoregressively pre-training on these token sequences. Using the comprehensive WIND Toolkit dataset comprising approximately 150 billion time steps from more than 126,000 sites, WindFM develops a foundational understanding of the complex interplay between atmospheric conditions and power output. Extensive experiments demonstrate that our compact 8.1M parameter model achieves state-of-the-art zero-shot performance on both deterministic and probabilistic tasks, outperforming specialized models and larger foundation models without any fine-tuning. In particular, WindFM exhibits strong adaptiveness under out-of-distribution data from a different continent, demonstrating the robustness and transferability of its learned representations. Our pre-trained model is publicly available at https://github.com/shiyu-coder/WindFM.
• Abstract（参考訳）: 現代の電力網の運用には高品質な風力発電予測が不可欠である。 しかし、一般的なデータ駆動のパラダイムは、他の場所に一般化できないサイト固有モデルを訓練するか、エネルギーセクターにドメイン固有データを組み込むのが難しい汎用時系列基礎モデルの微調整に依存するかのいずれかである。 本稿では, 確率的風力予測に特化して設計された, 軽量かつ生成的基礎モデルであるWindFMを紹介する。 WindFMは離散化と生成のフレームワークを採用している。 特殊時系列トークンーは、まず連続した多変量観測を離散的で階層的なトークンに変換する。 その後、デコーダのみのトランスフォーマーは、これらのトークンシーケンスを自己回帰的に事前学習することで、風力発電ダイナミクスの普遍的な表現を学習する。 WindFMは、126,000以上のサイトから約150億のタイムステップからなる包括的なWIND Toolkitデータセットを使用して、大気条件と出力の間の複雑な相互作用の基本的な理解を発展させている。 大規模実験により、我々のコンパクト8.1Mパラメータモデルは、決定的タスクと確率的タスクの両方において最先端のゼロショット性能を達成し、特別なモデルとより大規模な基礎モデルを微調整なしで性能良くすることを示した。 特に、WindFMは、異なる大陸からの分布外データの下で強い適応性を示し、その学習された表現の堅牢性と伝達性を示す。 我々の事前学習モデルはhttps://github.com/shiyu-coder/WindFMで公開されています。

関連論文リスト

• One-Embedding-Fits-All: Efficient Zero-Shot Time Series Forecasting by a Model Zoo [82.65837388129746]
  Time Series Foundation Models (TSFM) はゼロショット予測を大幅に進歩させた。 異なるモデルが異なる時間パターンの好みを示すため、単一のTSFMが普遍的に優れているものはない。 本稿では,各モデルの予測強度を特徴付けるZooCastを提案する。
  論文  参考訳（メタデータ） (2025-09-04T13:34:54Z)
• Multi-Scale Finetuning for Encoder-based Time Series Foundation Models [56.503053716053]
  時系列基礎モデル (TSFM) は, 時系列予測において印象的なゼロショット性能を示す。 我々は、TSFMの能力を十分に活用するに足りず、しばしば過度な適合と準最適性能をもたらすと論じている。 マルチスケールモデリングをファインタニングプロセスに明示的に統合するシンプルなフレームワークであるtextbftextscfinetextbftextsctuning (textbfMSFT)を提案する。
  論文  参考訳（メタデータ） (2025-06-17T01:06:01Z)
• Probabilistic Wind Power Forecasting via Non-Stationary Gaussian Processes [4.956709222278242]
  一般化されたスペクトル混合カーネルを組み込んだ非定常GPフレームワークを提案する。 実世界のSCADAデータを用いて提案モデルの性能を評価する。 その結果,風力予測における非定常性のモデル化の必要性が浮き彫りになった。
  論文  参考訳（メタデータ） (2025-05-13T23:46:33Z)
• 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)
• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)
• A Spatiotemporal Deep Neural Network for Fine-Grained Multi-Horizon Wind Prediction [3.2474405288441544]
  本稿では,高精度かつ高精度な風速予測のための新しいデータ駆動モデルを提案する。 MHSTNは、シークエンス・ツー・シークエンス(Seq2Seq)バックボーンで異なる因子をターゲットにした複数のディープニューラルネットワークを統合する。 MHSTNはすでに中国で最も忙しい国際空港のスケジューリングプラットフォームに統合されている。
  論文  参考訳（メタデータ） (2023-09-09T09:36:28Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Modeling Wind Turbine Performance and Wake Interactions with Machine Learning [0.0]
  SCADAとオンショアウィンドファームで収集された気象データに基づいて異なる機械学習モデル(ML)を訓練する。 データ品質制御と事前処理のためのML手法を調査対象のデータセットに適用する。 風力タービンのパワーキャプチャーをモデル化するために,ハイブリッドモデルが高精度であることがわかった。
  論文  参考訳（メタデータ） (2022-12-02T23:07:05Z)
• Data-Driven Wind Turbine Wake Modeling via Probabilistic Machine Learning [0.0]
  実世界の光検出・測光(LiDAR)を用いて風車ウェイクを計測し,機械学習を用いて予測的代理モデルを構築する。 提案手法は,高忠実度物理シミュレーションで生成したものよりも安価で高精度に問い合わせることができる風車流速場を高精度に近似するものである。
  論文  参考訳（メタデータ） (2021-09-06T14:46:20Z)

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。