論文の概要: Causal Inference in Energy Demand Prediction

• arxiv url: http://arxiv.org/abs/2512.11653v2
• Date: Wed, 17 Dec 2025 02:23:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 15:03:26.926386
• Title: Causal Inference in Energy Demand Prediction
• Title（参考訳）: エネルギー需要予測における因果推論
• Authors: Chutian Ma, Grigorii Pomazkin, Giacinto Paolo Saggese, Paul Smith,
• Abstract要約: エネルギー需要は気象条件を含む複数の要因に影響を受けている。 これらの要因は因果的相互依存であり、単純な相関に基づく学習技術よりも複雑である。 本稿では,これらの変数間の因果関係を説明する構造因果モデルを提案する。
• 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: Energy demand prediction is critical for grid operators, industrial energy consumers, and service providers. Energy demand is influenced by multiple factors, including weather conditions (e.g. temperature, humidity, wind speed, solar radiation), and calendar information (e.g. hour of day and month of year), which further affect daily work and life schedules. These factors are causally interdependent, making the problem more complex than simple correlation-based learning techniques satisfactorily allow for. We propose a structural causal model that explains the causal relationship between these variables. A full analysis is performed to validate our causal beliefs, also revealing important insights consistent with prior studies. For example, our causal model reveals that energy demand responds to temperature fluctuations with season-dependent sensitivity. Additionally, we find that energy demand exhibits lower variance in winter due to the decoupling effect between temperature changes and daily activity patterns. We then build a Bayesian model, which takes advantage of the causal insights we learned as prior knowledge. The model is trained and tested on unseen data and yields state-of-the-art performance in the form of a 3.84 percent MAPE on the test set. The model also demonstrates strong robustness, as the cross-validation across two years of data yields an average MAPE of 3.88 percent.
• Abstract（参考訳）: 電力需要予測は、グリッド事業者、産業エネルギー消費者、サービス提供者にとって重要である。 エネルギー需要は、気象条件(気温、湿度、風速、太陽放射)やカレンダー情報(日時、月など)など、日々の作業や生活スケジュールに影響を及ぼす様々な要因の影響を受けている。 これらの要因は因果的相互依存であり、単純な相関に基づく学習技術よりも複雑である。 本稿では,これらの変数間の因果関係を説明する構造因果モデルを提案する。 因果的信念を検証するための完全な分析が行われ、また、先行研究と整合した重要な洞察が明らかになる。 例えば、我々の因果モデルでは、エネルギー需要が季節依存性の感度で温度変動に反応することを明らかにする。 さらに,気温変化と日々の活動パターンの疎結合効果により,冬期のエネルギー需要が低いことが判明した。 次にベイズモデルを構築し、これまでの知識として学んだ因果的な洞察を活用します。 このモデルは目に見えないデータで訓練されテストされ、テストセット上で3.84パーセントのMAPEという形で最先端のパフォーマンスが得られる。 このモデルは、2年間のデータの相互検証によって平均3.88パーセントのMAPEが得られるため、強い堅牢性を示す。

関連論文リスト

• Temporal Latent Variable Structural Causal Model for Causal Discovery under External Interferences [53.308122815325326]
  観測データに影響を与える非観測因子を表現するために潜伏変数を導入する。 具体的には、因果強度と隣接情報を捉えるために、時間変動型因果モデルを提案する。 専門家の知識が特定のシナリオにおける未知の干渉に関する情報を提供することができることを考慮し,パラメータ学習への事前知識の導入を容易にする手法を開発した。
  論文  参考訳（メタデータ） (2025-11-13T07:10:10Z)
• Learning General Causal Structures with Hidden Dynamic Process for Climate Analysis [39.69577035318778]
  我々は,(i)観測変数間の因果関係と(ii)潜在駆動力の相互作用を協調的に解明する統合的枠組みを導入する。 CRLと因果発見を統合した構造制約を持つ時系列生成モデルであるCaDRe(Causal Discovery and Representation Learning)を提案する。 実世界の気候データセットでは、CaDReは競争力のある予測精度を提供するだけでなく、ドメインの専門知識に合わせて視覚化された因果グラフを復元する。
  論文  参考訳（メタデータ） (2025-01-21T21:04:08Z)
• Context-Aware Reasoning On Parametric Knowledge for Inferring Causal Variables [49.31233968546582]
  本稿では,部分因果グラフの完成を目的とした新しいベンチマークを提案する。 原因と効果の間のバックドア変数を仮説化するLLMの強い能力を示す。 固定された関連性の単純な記憶とは異なり、我々のタスクはグラフ全体のコンテキストに応じてLCMを推論する必要がある。
  論文  参考訳（メタデータ） (2024-09-04T10:37:44Z)
• Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
  本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。 最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。 以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T13:26:34Z)
• Machine Learning based Parameter Sensitivity of Regional Climate Models -- A Case Study of the WRF Model for Heat Extremes over Southeast Australia [0.0]
  熱波や山火事は世界中の社会や生態系に大きな影響を及ぼす。 地域気候モデルは、これらの出来事のダイナミクスをよりよく理解するために一般的に使用される。 ここでは、熱極度の世界的なホットスポットの1つであるオーストラリア南東部に焦点をあてる。
  論文  参考訳（メタデータ） (2023-07-27T07:02:06Z)
• News and Load: A Quantitative Exploration of Natural Language Processing Applications for Forecasting Day-ahead Electricity System Demand [0.5432724320036955]
  本研究では、電力需要と社会イベントに関するより曖昧な情報との関係について検討する。 成熟した自然言語処理(NLP)と需要予測技術を用いて行われる。 その結果, 日頭予測は, 単語頻度, 公的な感情, 話題分布, 単語埋め込みなどのテキスト的特徴によって改善された。
  論文  参考訳（メタデータ） (2023-01-18T13:55:08Z)
• Uncovering Dominant Features in Short-term Power Load Forecasting Based on Multi-source Feature [0.0]
  本稿では, 電力負荷変動と影響要因の複雑な関係を研究するため, 天文学, 地理学, 社会から80の潜在的特徴を収集する。 ケーススタディでは,最先端手法と比較して,予測精度を33.0%から34.7%向上した。
  論文  参考訳（メタデータ） (2021-03-23T13:43:54Z)
• Investigating Underlying Drivers of Variability in Residential Energy Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
  スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。 本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
  論文  参考訳（メタデータ） (2021-02-16T16:56:27Z)

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。