論文の概要: The Living Forecast: Evolving Day-Ahead Predictions into Intraday Reality

• arxiv url: http://arxiv.org/abs/2510.12271v1
• Date: Tue, 14 Oct 2025 08:25:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.249371
• Title: The Living Forecast: Evolving Day-Ahead Predictions into Intraday Reality
• Title（参考訳）: 生活予測:日中予測を日内現実に進化させる
• Authors: Kutay Bölat, Peter Palensky, Simon Tindemans,
• Abstract要約: 本稿では,完全確率的日頭予測をトレーニングや再推論なしに日内予測に変換するベイズ更新機構を提案する。 家庭用電力消費と太陽光発電データを用いた実験により, 提案手法は, 可能性, サンプル, 定量, 点ベースで25%の精度で予測精度を向上することを示した。
• 参考スコア（独自算出の注目度）: 0.688204255655161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate intraday forecasts are essential for power system operations, complementing day-ahead forecasts that gradually lose relevance as new information becomes available. This paper introduces a Bayesian updating mechanism that converts fully probabilistic day-ahead forecasts into intraday forecasts without retraining or re-inference. The approach conditions the Gaussian mixture output of a conditional variational autoencoder-based forecaster on observed measurements, yielding an updated distribution for the remaining horizon that preserves its probabilistic structure. This enables consistent point, quantile, and ensemble forecasts while remaining computationally efficient and suitable for real-time applications. Experiments on household electricity consumption and photovoltaic generation datasets demonstrate that the proposed method improves forecast accuracy up to 25% across likelihood-, sample-, quantile-, and point-based metrics. The largest gains occur in time steps with strong temporal correlation to observed data, and the use of pattern dictionary-based covariance structures further enhances performance. The results highlight a theoretically grounded framework for intraday forecasting in modern power systems.
• Abstract（参考訳）: 電力系統の運用には正確な日内予測が不可欠であり、新しい情報が手に入るにつれて徐々に関連性が失われる日頭予測を補完する。 本稿では,完全確率的日頭予測をトレーニングや再推論なしに日内予測に変換するベイズ更新機構を提案する。 提案手法は,条件付き変分オートエンコーダを用いた予測器のガウス混合出力を観測値に条件付けし,その確率的構造を保った残地平線に対する分布を更新する。 これにより、一貫した点、量子、アンサンブル予測が可能であり、計算効率は高く、リアルタイムアプリケーションに適している。 家庭用電力消費と太陽光発電データを用いた実験により, 提案手法は, 可能性, サンプル, 定量, 点ベースで25%の精度で予測精度を向上することを示した。 最も大きな利得は観測データと時間的相関が強い時間ステップで発生し、パターン辞書に基づく共分散構造を用いることでさらに性能が向上する。 その結果、現代の電力系統における日内予測の理論的基盤となる枠組みが浮き彫りになった。

関連論文リスト

• Diffusion-based Time Series Forecasting for Sewerage Systems [0.3495246564946556]
  我々は,下水道システムにおける文脈予測の精度を高めるための新しい深層学習手法を提案する。 我々のシステムは、様々な環境信号の複雑な相関を捉え、極端な気象イベントにおいても堅牢な予測を可能にする。 実際の下水道システムデータに対する実証テストでは、信頼性の高いコンテキスト予測を提供するためのモデルの異常な能力を確認しました。
  論文  参考訳（メタデータ） (2025-06-10T08:48:05Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)

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。