論文の概要: Neural Architecture Search for global multi-step Forecasting of Energy Production Time Series

• arxiv url: http://arxiv.org/abs/2511.00035v1
• Date: Mon, 27 Oct 2025 15:56:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.529153
• Title: Neural Architecture Search for global multi-step Forecasting of Energy Production Time Series
• Title（参考訳）: エネルギー生産時系列の大域的多段階予測のためのニューラルネットワーク探索
• Authors: Georg Velev, Stefan Lessmann,
• Abstract要約: 我々は時系列モデルの自動発見のためのニューラルネットワーク検索(NAS)ベースのフレームワークを設計する。 特に、エネルギー時系列の特徴的なパターンを捉えることができる効率的な成分のみからなる探索空間を導入する。 その結果,NASはトランスフォーマーなどの最先端技術よりも効率と精度の両面で優れていた。
• 参考スコア（独自算出の注目度）: 4.605677844197738
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The dynamic energy sector requires both predictive accuracy and runtime efficiency for short-term forecasting of energy generation under operational constraints, where timely and precise predictions are crucial. The manual configuration of complex methods, which can generate accurate global multi-step predictions without suffering from a computational bottleneck, represents a procedure with significant time requirements and high risk for human-made errors. A further intricacy arises from the temporal dynamics present in energy-related data. Additionally, the generalization to unseen data is imperative for continuously deploying forecasting techniques over time. To overcome these challenges, in this research, we design a neural architecture search (NAS)-based framework for the automated discovery of time series models that strike a balance between computational efficiency, predictive performance, and generalization power for the global, multi-step short-term forecasting of energy production time series. In particular, we introduce a search space consisting only of efficient components, which can capture distinctive patterns of energy time series. Furthermore, we formulate a novel objective function that accounts for performance generalization in temporal context and the maximal exploration of different regions of our high-dimensional search space. The results obtained on energy production time series show that an ensemble of lightweight architectures discovered with NAS outperforms state-of-the-art techniques, such as Transformers, as well as pre-trained forecasting models, in terms of both efficiency and accuracy.
• Abstract（参考訳）: 動的エネルギーセクターは、時間的かつ正確な予測が不可欠である運用上の制約の下でのエネルギー発生の短期予測に、予測精度と実行効率の両方を必要とする。 計算ボトルネックに悩まされることなく、正確なグローバルな多段階予測を生成できる複雑な手法のマニュアル構成は、かなりの時間的要求と人為的エラーのリスクの高い手順を表している。 さらなる複雑さは、エネルギー関連のデータに存在する時間的ダイナミクスから生じる。 さらに、予期せぬデータへの一般化は、時間の経過とともに予測技術を継続的に展開するために不可欠である。 これらの課題を克服するために、我々は、計算効率、予測性能、およびエネルギー生産時系列の多段階的短期予測のための一般化パワーのバランスを打つ時系列モデルの自動発見のためのニューラルネットワーク検索(NAS)ベースのフレームワークを設計する。 特に、エネルギー時系列の特徴的なパターンを捉えることができる効率的な成分のみからなる探索空間を導入する。 さらに、時間的文脈における性能一般化と高次元探索空間の異なる領域の最大探索を考慮に入れた新たな目的関数を定式化する。 その結果、NASで発見された軽量アーキテクチャの集合体は、トランスフォーマーのような最先端技術、および事前学習した予測モデルよりも効率と精度の両方で優れていることがわかった。

関連論文リスト

• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• GateTS: Versatile and Efficient Forecasting via Attention-Inspired routed Mixture-of-Experts [0.0]
  本稿では,一変量時系列予測のためのトレーニングプロセスを単純化するモデルアーキテクチャを提案する。 提案手法は,従来の1層ソフトマックスルータに取って代わる,スパークスMoE計算と,アテンションにインスパイアされた新しいゲーティング機構を組み合わせたものである。
  論文  参考訳（メタデータ） (2025-08-24T20:39:50Z)
• A Novel Method to Manage Production on Industry 4.0: Forecasting Overall Equipment Efficiency by Time Series with Topological Features [0.0]
  全体的な設備効率(OEE)は重要な製造工程であるが、揮発性の性質は短期的な予測を複雑にしている。 本研究では,時系列分解とトポロジカルデータ解析を組み合わせた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-20T10:04:49Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Fast-Powerformer: A Memory-Efficient Transformer for Accurate Mid-Term Wind Power Forecasting [4.2707347040807475]
  風力発電予測は、電力グリッドのセキュリティ、安定性、経済活動を強化する上で重要な役割を担っている。 気象要因(風速など)の高度化と風力出力の大幅な変動により、中期風力予測は高い精度と計算効率を維持するという2つの課題に直面している。 本稿では,Fast-Powerformerと呼ばれる,効率的かつ軽量な風力予測モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-15T07:09:54Z)
• 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)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• MPR-Net:Multi-Scale Pattern Reproduction Guided Universality Time Series Interpretable Forecasting [13.790498420659636]
  時系列予測は、その広範な応用が本質的に困難なため、既存の研究から幅広い関心を集めている。 本稿では,まず,畳み込み操作を用いてマルチスケールの時系列パターンを適応的に分解し,パターン再現の既知に基づいてパターン拡張予測手法を構築し,最終的に畳み込み操作を用いて将来的なパターンを再構築する。 時系列に存在する時間的依存関係を活用することで、MPR-Netは線形時間複雑性を達成するだけでなく、予測プロセスも解釈できる。
  論文  参考訳（メタデータ） (2023-07-13T13:16:01Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Combining Embeddings and Fuzzy Time Series for High-Dimensional Time Series Forecasting in Internet of Energy Applications [0.0]
  Fuzzy Time Series (FTS) モデルは、実装が容易で高精度なデータ駆動非パラメトリックモデルとして際立っている。 本稿では,従来の高次元データを低次元埋め込み空間に投影することにより,高次元時系列を扱う新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-12-03T19:50:09Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。