論文の概要: Graph Attention Network for Predicting Duration of Large-Scale Power Outages Induced by Natural Disasters

• arxiv url: http://arxiv.org/abs/2511.10898v1
• Date: Fri, 14 Nov 2025 02:21:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.392276
• Title: Graph Attention Network for Predicting Duration of Large-Scale Power Outages Induced by Natural Disasters
• Title（参考訳）: 災害による大規模停電の予測のためのグラフ注意ネットワーク
• Authors: Chenghao Duan, Chuanyi Ji,
• Abstract要約: 本稿では,GTA(Graph Attention Networks)による重症気象による停電期間を推定する新しい手法を提案する。 我々のネットワークは、教師なし事前訓練から半教師付き学習までの単純な構造を用いており、米国南東部の8州で501ドルの郡に影響を及ぼす4つの主要なハリケーンのフィールドデータを用いています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Natural disasters such as hurricanes, wildfires, and winter storms have induced large-scale power outages in the U.S., resulting in tremendous economic and societal impacts. Accurately predicting power outage recovery and impact is key to resilience of power grid. Recent advances in machine learning offer viable frameworks for estimating power outage duration from geospatial and weather data. However, three major challenges are inherent to the task in a real world setting: spatial dependency of the data, spatial heterogeneity of the impact, and moderate event data. We propose a novel approach to estimate the duration of severe weather-induced power outages through Graph Attention Networks (GAT). Our network uses a simple structure from unsupervised pre-training, followed by semi-supervised learning. We use field data from four major hurricanes affecting $501$ counties in eight Southeastern U.S. states. The model exhibits an excellent performance ($>93\%$ accuracy) and outperforms the existing methods XGBoost, Random Forest, GCN and simple GAT by $2\% - 15\%$ in both the overall performance and class-wise accuracy.
• Abstract（参考訳）: ハリケーン、山火事、冬の嵐などの自然災害は、米国で大規模な停電を引き起こし、経済と社会に大きな影響を与えた。 停電回復と影響を正確に予測することが電力グリッドのレジリエンスの鍵となる。 機械学習の最近の進歩は、地理空間と気象データから停電期間を推定するための実行可能なフレームワークを提供する。 しかし、3つの大きな課題は、実際の環境でのタスクに固有のもので、データの空間的依存、影響の空間的不均一性、中間的なイベントデータである。 本稿では,重症気象による停電の期間をグラフ注意ネットワーク(GAT)を用いて推定する手法を提案する。 我々のネットワークは、教師なし事前学習の単純な構造を使い、その後にセミ教師付き学習を行う。 米国南東部の8州で501ドルの郡に影響を及ぼす4つの主要ハリケーンのフィールドデータを使用します。 このモデルは優れたパフォーマンス(>93\%$精度)を示し、XGBoost、Random Forest、GCN、および単純なGATを、全体的なパフォーマンスとクラスワイドの正確性の両方で2-15\%で上回ります。

関連論文リスト

• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• Spatio-Temporal Conformal Prediction for Power Outage Data [7.006561750578409]
  本研究では,広範囲な四半期毎の停止データを解析し,グラフ整列予測法を開発した。 本手法の有効性を, 極度気象事象の影響を受けやすいいくつかの州で, 広範囲な数値実験により実証した。
  論文  参考訳（メタデータ） (2024-11-26T04:34:38Z)
• Location Agnostic Source-Free Domain Adaptive Learning to Predict Solar Power Generation [0.0]
  本稿では,気象特性を用いた太陽発電を推定するためのドメイン適応型ディープラーニングフレームワークを提案する。 フィードフォワード深部畳み込みネットワークモデルは、既知の位置データセットを教師付きでトレーニングし、後に未知の場所の太陽エネルギーを予測するために使用される。 我々の手法では、カリフォルニア(CA)、フロリダ(FL)、ニューヨーク(NY)の順応的でない手法と比較して、太陽エネルギー予測精度が10.47 %、7.44 %、5.11%の改善が見られた。
  論文  参考訳（メタデータ） (2024-01-24T02:08:48Z)
• Typhoon Intensity Prediction with Vision Transformer [51.84456610977905]
  台風強度を正確に予測するために「台風強度変換器(Tint)」を導入する。 Tintは、層ごとにグローバルな受容野を持つ自己認識機構を使用する。 公開されている台風ベンチマークの実験は、Tintの有効性を検証する。
  論文  参考訳（メタデータ） (2023-11-28T03:11:33Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• 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)
• Predicting Electricity Infrastructure Induced Wildfire Risk in California [6.08936845491444]
  本研究では,電気インフラによる山火事の発生時期と発生場所を予測するためのリスクモデルについて検討する。 データは、2015年から2019年にかけてパシフィック・ガス・アンド・エレクトリック・エリアで収集されたグリッドインフラによって引き起こされた歴史的点火とワイヤダウンポイントを含んでいる。 気象や植生の特徴が,着火やワイヤダウンのリスクにおいて,最も重要な特徴の1つとなっていることが判明した。
  論文  参考訳（メタデータ） (2022-06-06T22:16:47Z)
• 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)

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。