論文の概要: SARIMAX-Based Power Outage Prediction During Extreme Weather Events

• arxiv url: http://arxiv.org/abs/2511.01017v1
• Date: Sun, 02 Nov 2025 17:13:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.031269
• Title: SARIMAX-Based Power Outage Prediction During Extreme Weather Events
• Title（参考訳）: 極端気象イベントにおけるSARIMAXによる停電予測
• Authors: Haoran Ye, Qiuzhuang Sun, Yang Yang,
• Abstract要約: 本研究では,SARIMAXを用いた短期停電予測システムを開発した。 ミシガン州の郡から毎時のデータと、停止数と包括的な気象特性を使って、システマティックな2段階のフィーチャーエンジニアリングパイプラインを実装します。 選択した特徴は,SARIMAXモデルへの入力として,時間埋め込み,マルチスケールラグ特性,気象変数を付加したものである。
• 参考スコア（独自算出の注目度）: 9.853802100348892
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study develops a SARIMAX-based prediction system for short-term power outage forecasting during extreme weather events. Using hourly data from Michigan counties with outage counts and comprehensive weather features, we implement a systematic two-stage feature engineering pipeline: data cleaning to remove zero-variance and unknown features, followed by correlation-based filtering to eliminate highly correlated predictors. The selected features are augmented with temporal embeddings, multi-scale lag features, and weather variables with their corresponding lags as exogenous inputs to the SARIMAX model. To address data irregularity and numerical instability, we apply standardization and implement a hierarchical fitting strategy with sequential optimization methods, automatic downgrading to ARIMA when convergence fails, and historical mean-based fallback predictions as a final safeguard. The model is optimized separately for short-term (24 hours) and medium-term (48 hours) forecast horizons using RMSE as the evaluation metric. Our approach achieves an RMSE of 177.2, representing an 8.4\% improvement over the baseline method (RMSE = 193.4), thereby validating the effectiveness of our feature engineering and robust optimization strategy for extreme weather-related outage prediction.
• Abstract（参考訳）: 本研究では,SARIMAXを用いた短期停電予測システムを開発した。 ミシガン郡の時間単位のデータと、機能停止数と包括的な気象特性を用いて、ゼロ分散と未知の特徴を除去するデータクリーニングと、高相関の予測器を除去する相関ベースのフィルタリングという、2段階の機能エンジニアリングパイプラインを体系的に実施する。 選択した特徴は,SARIMAXモデルに対する外因性入力として,時間埋め込み,マルチスケールラグ特性,気象変数を付加したものである。 データの不規則性と数値不安定性に対処するため、逐次最適化手法による階層的適合戦略の標準化と実装、収束失敗時のARIMAへの自動ダウングレード、そして最終安全策としての歴史的平均に基づくフォールバック予測を適用した。 このモデルは、RMSEを評価指標として、短期(24時間)と中期(48時間)の予測地平線に対して個別に最適化される。 提案手法は,基準値法 (RMSE = 193.4) よりも8.45%向上した177.2のRMSEを達成し, 極端気象関連故障予測における特徴工学的手法の有効性とロバストな最適化戦略の有効性を検証した。

関連論文リスト

• Two-Stage Photovoltaic Forecasting: Separating Weather Prediction from Plant-Characteristics [0.0]
  本研究では,環境パラメータの天気予報モデルと植物特性モデルに分解した。 植物特性モデルのための歴史的出力データに基づいてニューラルネットワークのアンサンブルを訓練する。 その結果、衛星ベースの地中気象観測の代わりに天気予報を用いる場合、選択した2つの太陽光発電システムでは絶対誤差が11%増加し、68%上昇することがわかった。
  論文  参考訳（メタデータ） (2026-03-04T14:45:58Z)
• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• EMForecaster: A Deep Learning Framework for Time Series Forecasting in Wireless Networks with Distribution-Free Uncertainty Quantification [11.88654374102813]
  我々は、textitEMForecasterと呼ばれるディープラーニング(DL)時系列予測フレームワークを開発した。 EMForecasterは、短期と長期の両方の予測地平線にまたがって、さまざまなデータセットで優れたパフォーマンスを実現している。 ポイント予測タスクでは、EMForecasterは現在の最先端のDLアプローチを大きく上回り、Transformerアーキテクチャよりも53.97%、ベースラインモデルの平均より38.44%改善している。
  論文  参考訳（メタデータ） (2025-03-31T18:10:08Z)
• STAA: Spatio-Temporal Alignment Attention for Short-Term Precipitation Forecasting [9.177158814568887]
  SATAを時間的アライメントモジュールとし、STAUを時間的アライメント特徴抽出器とする、時間的アライメントに基づく短期降水予測モデル。 衛星データとERA5データに基づいて、我々のモデルはRMSEの12.61%の改善を達成し、最先端の手法と比較した。
  論文  参考訳（メタデータ） (2024-09-06T10:28:52Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Hierarchical Forecasting at Scale [55.658563862299495]
  既存の階層予測技術は、時系列の数が増加するとスケールが低下する。 我々は,1つのボトムレベル予測モデルを用いて,数百万の時系列のコヒーレントな予測を学習することを提案する。 欧州の大規模なeコマースプラットフォームであるbolの既存の予測モデルにおいて、スパース階層的損失関数を実装した。
  論文  参考訳（メタデータ） (2023-10-19T15:06:31Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• W-MAE: Pre-trained weather model with masked autoencoder for multi-variable weather forecasting [7.610811907813171]
  天気予報のための事前学習を行うMasked AutoEncoderを用いた気象モデルを提案する。 W-MAEは、気象変数内の空間的相関を再構成するために、自己教師付きで事前訓練される。 時間スケールでは、事前訓練されたW-MAEを微調整し、気象変数の将来状態を予測する。
  論文  参考訳（メタデータ） (2023-04-18T06:25:11Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)
• Long-Short Term Spatiotemporal Tensor Prediction for Passenger Flow Profile [15.875569404476495]
  本稿では,テンソルに基づく予測に焦点をあて,予測を改善するためのいくつかの実践的手法を提案する。 具体的には、長期予測のために「テンソル分解+2次元自己回帰移動平均(2D-ARMA)」モデルを提案する。 短期予測のために,テンソルクラスタリングに基づくテンソル補完を行い,過度に単純化され精度が保証されるのを避けることを提案する。
  論文  参考訳（メタデータ） (2020-04-23T08:30:00Z)

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。