論文の概要: Solar Forecasting with Causality: A Graph-Transformer Approach to Spatiotemporal Dependencies

• arxiv url: http://arxiv.org/abs/2509.15481v1
• Date: Thu, 18 Sep 2025 22:57:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:10.932279
• Title: Solar Forecasting with Causality: A Graph-Transformer Approach to Spatiotemporal Dependencies
• Title（参考訳）: 因果性のある太陽予測:時空間依存性に対するグラフ変換器アプローチ
• Authors: Yanan Niu, Demetri Psaltis, Christophe Moser, Luisa Lambertini,
• Abstract要約: SolarCAST は将来のグローバル水平放射率(GHI)を予測する因果的に情報を得たモデルであり、X サイトと近辺の局 S の歴史的な GHI のみを用いて目標地点で予測する。 様々な地理的条件で時系列やマルチモーダルのベースラインを上回ります。 最上位の予測装置であるSolcastよりも25.9%のエラー削減を実現している。
• 参考スコア（独自算出の注目度）: 5.291394959125948
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate solar forecasting underpins effective renewable energy management. We present SolarCAST, a causally informed model predicting future global horizontal irradiance (GHI) at a target site using only historical GHI from site X and nearby stations S - unlike prior work that relies on sky-camera or satellite imagery requiring specialized hardware and heavy preprocessing. To deliver high accuracy with only public sensor data, SolarCAST models three classes of confounding factors behind X-S correlations using scalable neural components: (i) observable synchronous variables (e.g., time of day, station identity), handled via an embedding module; (ii) latent synchronous factors (e.g., regional weather patterns), captured by a spatio-temporal graph neural network; and (iii) time-lagged influences (e.g., cloud movement across stations), modeled with a gated transformer that learns temporal shifts. It outperforms leading time-series and multimodal baselines across diverse geographical conditions, and achieves a 25.9% error reduction over the top commercial forecaster, Solcast. SolarCAST offers a lightweight, practical, and generalizable solution for localized solar forecasting.
• Abstract（参考訳）: 正確な太陽予測は、効率的な再生可能エネルギー管理の基盤となる。 我々は、X地点および近隣局Sからの歴史的GHIのみを用いて、将来のグローバル水平照度(GHI)を予測する因果的に情報を得たモデルであるSolarCASTを、スカイカメラや衛星画像に依存する以前の作業とは異なり、特別なハードウェアと重大前処理を必要とする。 公開センサデータのみを使用して高精度を実現するために、SolarCASTは、スケーラブルなニューラルネットワークコンポーネントを使用して、X-S相関の背後にある3つの相反する要因をモデル化する。 i) 観測可能な同期変数(例えば、日時、駅の同一性)は、埋め込みモジュールを介して処理される。 (ii)時空間グラフニューラルネットワークで捉えた潜時同期因子(例:地域気象パターン) (3)時間差の影響(例えば、ステーション間の雲の動き)は、時間変化を学習するゲート変換器でモデル化される。 時系列やマルチモーダルのベースラインを様々な地理的条件で上回り、トップの商業予測装置であるSolcastよりも25.9%のエラー低減を実現している。 SolarCASTは、局所的な太陽予測のための軽量で実用的で一般化可能なソリューションを提供する。

関連論文リスト

• SolarCrossFormer: Improving day-ahead Solar Irradiance Forecasting by Integrating Satellite Imagery and Ground Sensors [0.8808021343665318]
  SolarCrossFormerは、日頭照射予測のための新しいディープラーニングモデルである。 地上の気象観測所のネットワークから衛星画像と時系列を合成する。 スイスのあらゆる場所で、最大24時間前の地平線を15分間の解像度で予測する。
  論文  参考訳（メタデータ） (2025-09-19T09:57:40Z)
• Forecasting the Ionosphere from Sparse GNSS Data with Temporal-Fusion Transformers [0.28112829609955153]
  トータル・エレクトロン・コンテント(TEC)は、鍵となる電離層パラメータである。 TECは観測結果から導かれるが、その信頼性は地球規模測定の希少な性質によって制限される。 本稿では,TFT(Temporal Fusion Transformer)を利用した電離層変動予測のための機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-30T23:08:19Z)
• Causal Deciphering and Inpainting in Spatio-Temporal Dynamics via Diffusion Model [45.45700202300292]
  CaPaintは2段階のプロセスで因果推論能力を備えたデータとエンドウモデルの因果領域を特定することを目的としている。 微調整未条件拡散確率モデル(DDPM)を生成前として, 環境成分として定義されたマスクを埋め込む。 5つの実世界のSTベンチマークで実施された実験は、CaPaintの概念の統合により、モデルが4.3%から77.3%の改善を達成できることを示した。
  論文  参考訳（メタデータ） (2024-09-29T08:18:50Z)
• Improving day-ahead Solar Irradiance Time Series Forecasting by Leveraging Spatio-Temporal Context [46.72071291175356]
  太陽発電は二酸化炭素の排出量を大幅に削減することで気候変動を緩和する大きな可能性を秘めている。 しかし、太陽光の固有の変動は、電力網に太陽エネルギーをシームレスに統合する上で大きな課題となる。 本稿では,衛星データを用いた時間的文脈の活用を目的としたディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-06-01T19:54:39Z)
• A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
  本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。 スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
  論文  参考訳（メタデータ） (2023-04-14T14:40:32Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• A Moment in the Sun: Solar Nowcasting from Multispectral Satellite Data using Self-Supervised Learning [4.844946519309793]
  我々は、自己教師付き学習を用いた多スペクトル衛星データから、太陽流の一般的なモデルを構築した。 我々のモデルは、衛星観測に基づいて、位置の将来の太陽放射を推定する。 提案手法は,25の太陽観測地点にまたがる異なる範囲で評価し,地平線を予測できる。
  論文  参考訳（メタデータ） (2021-12-28T03:13:44Z)

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。