論文の概要: GRAFT: Grid-Aware Load Forecasting with Multi-Source Textual Alignment and Fusion

• arxiv url: http://arxiv.org/abs/2512.14400v1
• Date: Tue, 16 Dec 2025 13:38:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.729326
• Title: GRAFT: Grid-Aware Load Forecasting with Multi-Source Textual Alignment and Fusion
• Title（参考訳）: GRAFT:マルチソーステキストアライメントと融合によるグリッド対応負荷予測
• Abstract要約: 本稿では,GRAFT(GRid-Aware Forecasting with Text)を提案する。 GRAFTは、毎日のニュース、ソーシャルメディア、ポリシーのテキストを半時間分の負荷で厳格に調整する。 トレーニングとローリング予測の両方において,テキストガイドによる特定の時間位置への融合を実現する。
• 参考スコア（独自算出の注目度）: 5.511128708638322
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Electric load is simultaneously affected across multiple time scales by exogenous factors such as weather and calendar rhythms, sudden events, and policies. Therefore, this paper proposes GRAFT (GRid-Aware Forecasting with Text), which modifies and improves STanHOP to better support grid-aware forecasting and multi-source textual interventions. Specifically, GRAFT strictly aligns daily-aggregated news, social media, and policy texts with half-hour load, and realizes text-guided fusion to specific time positions via cross-attention during both training and rolling forecasting. In addition, GRAFT provides a plug-and-play external-memory interface to accommodate different information sources in real-world deployment. We construct and release a unified aligned benchmark covering 2019--2021 for five Australian states (half-hour load, daily-aligned weather/calendar variables, and three categories of external texts), and conduct systematic, reproducible evaluations at three scales -- hourly, daily, and monthly -- under a unified protocol for comparison across regions, external sources, and time scales. Experimental results show that GRAFT significantly outperforms strong baselines and reaches or surpasses the state of the art across multiple regions and forecasting horizons. Moreover, the model is robust in event-driven scenarios and enables temporal localization and source-level interpretation of text-to-load effects through attention read-out. We release the benchmark, preprocessing scripts, and forecasting results to facilitate standardized empirical evaluation and reproducibility in power grid load forecasting.
• Abstract（参考訳）: 電気負荷は、天気やカレンダーのリズム、突然の出来事、ポリシーなどの外因性要因によって、複数の時間スケールで同時に影響を受ける。 そこで本稿では,GRAFT(GRID-Aware Forecasting with Text)を提案する。 具体的には、GRAFTは、毎日のニュース、ソーシャルメディア、ポリシーのテキストを半時間分の負荷で厳格に調整し、トレーニングとローリング予測の間、クロスアテンションを通じて特定の時間位置へのテキスト誘導融合を実現する。 さらに、GRAFTはプラグアンドプレイの外部メモリインターフェースを提供しており、実際のデプロイメントで異なる情報ソースに対応できる。 オーストラリアの5州(半時間負荷、日毎の天気/カレンダー変数、外部テキストの3つのカテゴリ)を対象に、2019-2021年を対象とする統一されたアライメントベンチマークを構築しリリースし、地域、外部ソース、時間スケールで比較するための統一されたプロトコルの下で、3つのスケール(時間、日、月)で体系的に再現可能な評価を行う。 実験の結果、GRAFTは強いベースラインを著しく上回り、複数の領域にわたる最先端に達し、水平線を予測していることがわかった。 さらに、このモデルはイベント駆動シナリオにおいて堅牢であり、注意読み出しによる時間的局所化とテキスト-負荷効果のソースレベルの解釈を可能にする。 我々は,電力グリッド負荷予測における実証的評価と再現性を標準化するためのベンチマーク,前処理スクリプト,予測結果をリリースする。

関連論文リスト

• SCENARIODIFF: A Scenario-level Guidance Framework for Multimodal Time Series Forecasting--Extended Version [5.00208619516796]
  マルチモーダル時系列予測のための階層的文脈推論フレームワークであるSCENARIODIFFを提案する。 SCENARIODIFFは、コンテキスト情報を3つのレベルに分類する: 履歴コンテキストエージェントは、生文書から段階的に証拠を抽出し、シナリオエージェントは、予測水平線のための定性的なシナリオ記述を生成し、アンカーガイダンスエージェントは、イベント関連将来領域のスパースアンカーポイントを生成する。 Time-MMDベンチマークの実験では、SCENARIODIFFはイベント駆動ドメインで特に有効であることが示されている。
  論文  参考訳（メタデータ） (2026-08-17T22:05:09Z)
• Adversarial Learning of Classifier-Free Guidance Schedules [74.70485037604884]
  我々は,拡散時間,条件付け,および現在の雑音サンプルの関数として指導スケジュールを学習する。 これを密度比推定問題とする。 軽量なジェネレータネットワークは、最適で状態依存のガイダンススケールを予測する。
  論文  参考訳（メタデータ） (2026-08-14T07:30:36Z)
• SURGE: An Event-Centric Social Media Sentiment Time Series Benchmark with Interaction Structure [22.207187269398545]
  SURGEは、イベント内の投稿をリンクするテキストとインタラクション構造を整列したイベントレベルの時系列をペアリングする、マルチイベントのソーシャルメディアベンチマークである。 SURGE 上では,数値のみの予測,テキスト拡張予測,高対話評価,残余のカテゴリアウト一般化のためのベンチマークプロトコルを定義する。
  論文  参考訳（メタデータ） (2026-05-20T13:59:32Z)
• Solar-VLM: Multimodal Vision-Language Models for Augmented Solar Power Forecasting [8.479205315463522]
  本論文ではマルチモーダルPV電力予測のための大規模言語モデル駆動フレームワークであるSolar-VLMを提案する。 地理的に分散したステーション間の空間的依存関係をキャプチャするために、クロスサイト特徴融合機構を導入する。 中国北部の8ヶ所のPVステーションのデータを用いて,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2026-04-05T15:14:26Z)
• Spectral-Aware Text-to-Time Series Generation with Billion-Scale Multimodal Meteorological Data [5.582207674658708]
  我々は,MACC(Collaborative Captioning)パイプラインを通じて構築された専門家レベルのキャプションと組み合わせた,10億規模の気象データセットであるMeteoCap-3Bを紹介した。 次に,MTransformerを提案する。MTransformerは,テキスト記述をマルチバンドスペクトルにマッピングすることで,正確な意味制御を可能にするモデルである。 実世界のベンチマーク実験では、最先端の世代品質、正確なクロスモーダルアライメント、強力なセマンティックコントロール可能性、下流予測の大幅な向上が示されている。
  論文  参考訳（メタデータ） (2026-03-28T04:55:00Z)
• Adaptive Information Routing for Multimodal Time Series Forecasting [11.180175447040694]
  時系列予測は多くの現実世界の応用で人工知能にとって重要な課題である。 伝統的なアプローチは、主に将来の価値を予測するために歴史的時系列データに依存している。 本稿では,マルチモーダル時系列予測の新しい手法であるAdaptive Information Routingフレームワークを紹介する。
  論文  参考訳（メタデータ） (2025-12-11T02:25:27Z)
• S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
  既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。 これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。 本稿では,構造的空間的注意を新たに提案する。 空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。 ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
  論文  参考訳（メタデータ） (2025-09-10T05:33:28Z)
• BALM-TSF: Balanced Multimodal Alignment for LLM-Based Time Series Forecasting [5.360725360679271]
  BALM-TSFは時系列予測のための軽量フレームワークである。 時系列とテキスト埋め込みのバランスを維持する。 長期および少数ショットの予測において、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-08-30T22:31:55Z)
• EventTSF: Event-Aware Non-Stationary Time Series Forecasting [73.54313384419792]
  EventTSFは、過去の時系列とテキストイベントを統合し、その後の予測を行う自動回帰生成フレームワークである。 8つの合成および実世界のデータセットの実験によると、EventTSFは、さまざまなイベント対応の非定常時系列予測シナリオで12のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-08-19T01:28:47Z)
• When Does Multimodality Lead to Better Time Series Forecasting? [96.26052272121615]
  このようなマルチモーダルな統合が常に利益をもたらすかどうか、どのような条件で検討する。 その結果,マルチモーダリティの利点は条件に依存していることが判明した。 我々の研究は、マルチモーダリティが予測タスクに役立つことをいつ予測できるかを理解するための厳密で定量的な基礎を提供する。
  論文  参考訳（メタデータ） (2025-06-20T23:55:56Z)
• BRIDGE: Bootstrapping Text to Control Time-Series Generation via Multi-Agent Iterative Optimization and Diffusion Modeling [51.830134409330704]
  時系列生成(TSG、Time-Series Generation)は、シミュレーション、データ拡張、および反事実分析に広く応用された、顕著な研究分野である。 我々は、テキストが意味的な洞察、ドメイン情報、インスタンス固有の時間パターンを提供し、TSGをガイドし改善することができると論じている。 BRIDGEはテキスト制御型TSGフレームワークで,テキスト記述とセマンティックプロトタイプを統合し,ドメインレベルのガイダンスをサポートする。
  論文  参考訳（メタデータ） (2025-03-04T09:40:00Z)
• FATE: Focal-modulated Attention Encoder for Multivariate Time-series Forecasting [0.0]
  気候は、海面の上昇、氷河の融解、ますます極端な気候パターンなど、21世紀の最も急進的な世界的な課題の1つである。 正確な予測はこれらの現象を監視し、緩和戦略を支援するために重要である。 CNN、RNN、アテンションベースのトランスフォーマーなど、最近の時系列予測のためのデータ駆動モデルでは、依存関係と限定並列化に苦戦している。 本研究は,時系列予測のための修正注意文(FATE)を提示する。
  論文  参考訳（メタデータ） (2024-08-21T04:40:18Z)
• Learning Dynamic Graphs from All Contextual Information for Accurate Point-of-Interest Visit Forecasting [9.670949636600035]
  Busyness Graph Neural Network (BysGNN) は、基礎となるマルチコンテキスト相関を学習し、発見するために設計された時間グラフニューラルネットワークである。 文脈的,時間的,空間的な信号をすべて取り入れることで,最先端の予測モデルに対する予測精度の大幅な向上を観察する。
  論文  参考訳（メタデータ） (2023-06-28T05:14:03Z)
• A Closer Look at Debiased Temporal Sentence Grounding in Videos: Dataset, Metric, and Approach [53.727460222955266]
  テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。 最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。 偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
  論文  参考訳（メタデータ） (2022-03-10T08:58:18Z)
• Instance-wise Graph-based Framework for Multivariate Time Series Forecasting [69.38716332931986]
  我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。 私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
  論文  参考訳（メタデータ） (2021-09-14T07:38:35Z)

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。