論文の概要: Adaptive Multi-task Learning for Probabilistic Load Forecasting

• arxiv url: http://arxiv.org/abs/2512.20232v1
• Date: Tue, 23 Dec 2025 10:46:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.828286
• Title: Adaptive Multi-task Learning for Probabilistic Load Forecasting
• Title（参考訳）: 確率的負荷予測のための適応型マルチタスク学習
• Authors: Onintze Zaballa, Verónica Álvarez, Santiago Mazuelas,
• Abstract要約: 本稿では,確率的負荷予測のための適応型マルチタスク学習手法を提案する。 提案手法は,エンティティ間の消費パターンの変化や相関に適応することができる。 さらに、提案手法は、複数のエンティティの負荷に対する信頼性の高い確率予測と、負荷の不確実性の評価を提供する。
• 参考スコア（独自算出の注目度）: 9.118706387430883
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simultaneous load forecasting across multiple entities (e.g., regions, buildings) is crucial for the efficient, reliable, and cost-effective operation of power systems. Accurate load forecasting is a challenging problem due to the inherent uncertainties in load demand, dynamic changes in consumption patterns, and correlations among entities. Multi-task learning has emerged as a powerful machine learning approach that enables the simultaneous learning across multiple related problems. However, its application to load forecasting remains underexplored and is limited to offline learning-based methods, which cannot capture changes in consumption patterns. This paper presents an adaptive multi-task learning method for probabilistic load forecasting. The proposed method can dynamically adapt to changes in consumption patterns and correlations among entities. In addition, the techniques presented provide reliable probabilistic predictions for loads of multiples entities and assess load uncertainties. Specifically, the method is based on vectorvalued hidden Markov models and uses a recursive process to update the model parameters and provide predictions with the most recent parameters. The performance of the proposed method is evaluated using datasets that contain the load demand of multiple entities and exhibit diverse and dynamic consumption patterns. The experimental results show that the presented techniques outperform existing methods both in terms of forecasting performance and uncertainty assessment.
• Abstract（参考訳）: 複数のエンティティ(地域、建物など)にわたる同時負荷予測は、電力系統の効率、信頼性、費用対効果に不可欠である。 負荷需要の不確かさ、消費パターンの動的変化、実体間の相関などにより、正確な負荷予測は難しい問題である。 マルチタスク学習は、複数の関連する問題にまたがる同時学習を可能にする強力な機械学習アプローチとして登場した。 しかし, 負荷予測への応用は未検討であり, オフライン学習方式に限られており, 消費パターンの変化を把握できない。 本稿では,確率的負荷予測のための適応型マルチタスク学習手法を提案する。 提案手法は,エンティティ間の消費パターンの変化や相関に動的に適応することができる。 さらに、提案手法は、複数のエンティティの負荷に対する信頼性の高い確率予測と、負荷の不確実性の評価を提供する。 具体的には、ベクトル値付き隠れマルコフモデルに基づいており、再帰的プロセスを用いてモデルパラメータを更新し、最新のパラメータで予測する。 提案手法の性能は,複数のエンティティの負荷要求を含むデータセットを用いて評価し,多様な動的消費パターンを示す。 実験の結果,提案手法は予測性能と不確実性評価の両方において既存手法よりも優れていた。

関連論文リスト

• Multi-task Online Learning for Probabilistic Load Forecasting [7.373617024876726]
  本稿では,オンラインおよび確率的負荷予測のためのマルチタスク学習手法を提案する。 動的類似性を利用して、複数のエンティティの負荷に対する正確な確率的予測を提供する。 実験の結果,提案手法は,現在のマルチタスク学習手法の有効性を著しく向上させることができることがわかった。
  論文  参考訳（メタデータ） (2025-02-06T15:47:02Z)
• Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
  そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。 本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
  論文  参考訳（メタデータ） (2024-08-24T18:28:19Z)
• Denoising Pre-Training and Customized Prompt Learning for Efficient Multi-Behavior Sequential Recommendation [69.60321475454843]
  マルチビヘイビアシークエンシャルレコメンデーションに適した,最初の事前学習および迅速な学習パラダイムであるDPCPLを提案する。 事前学習段階において,複数の時間スケールでノイズを除去する新しい行動マイナ (EBM) を提案する。 次に,提案するCustomized Prompt Learning (CPL)モジュールを用いて,事前学習したモデルを高効率にチューニングすることを提案する。
  論文  参考訳（メタデータ） (2024-08-21T06:48:38Z)
• A prediction and behavioural analysis of machine learning methods for modelling travel mode choice [0.26249027950824505]
  我々は、モデル選択に影響を及ぼす可能性のある重要な要因の観点から、複数のモデリング問題に対して異なるモデリングアプローチを体系的に比較する。 その結果,非凝集性予測性能が最も高いモデルでは,行動指標やアグリゲーションモードのシェアが低下することが示唆された。 MNLモデルは様々な状況において堅牢に機能するが、ML手法はWillingness to Payのような行動指標の推定を改善することができる。
  論文  参考訳（メタデータ） (2023-01-11T11:10:32Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• MACE: An Efficient Model-Agnostic Framework for Counterfactual Explanation [132.77005365032468]
  MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。 MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。 公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
  論文  参考訳（メタデータ） (2022-05-31T04:57:06Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Probabilistic Load Forecasting Based on Adaptive Online Learning [7.373617024876726]
  本稿では,隠れマルコフモデルの適応型オンライン学習に基づく確率的負荷予測手法を提案する。 本稿では,理論的保証のある学習予測手法を提案し,その性能を複数のシナリオで実験的に評価する。 その結果,提案手法は様々なシナリオにおいて既存手法の性能を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2020-11-30T12:02:26Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。