論文の概要: Predictive Modeling of Power Outages during Extreme Events: Integrating Weather and Socio-Economic Factors
- arxiv url: http://arxiv.org/abs/2512.22699v1
- Date: Sat, 27 Dec 2025 20:30:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-30 22:37:30.182078
- Title: Predictive Modeling of Power Outages during Extreme Events: Integrating Weather and Socio-Economic Factors
- Title（参考訳）: 極端事象時の停電予測モデル:気象と社会経済的要因の統合
- Authors: Antar Kumar Biswas, Masoud H. Nazari,
- Abstract要約: 本稿では,極端な事象による停電を予測するための新しい学習基盤を提案する。
低確率、高頻度の停止シナリオをターゲットとし、公開データソースから派生した包括的な機能セットを活用する。
4つの機械学習モデル(Random Forest (RF), Support Vector Machine (SVM), Adaptive Boosting (AdaBoost), Long Short-Term Memory (LSTM))を評価した。
- 参考スコア（独自算出の注目度）: 0.4640835690336653
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a novel learning-based framework for predicting power outages caused by extreme events. The proposed approach specifically targets low-probability, high-consequence outage scenarios and leverages a comprehensive set of features derived from publicly available data sources. We integrate EAGLE-I outage records (2014-2024) with weather, socio-economic, infrastructure, and seasonal event data. Incorporating social and demographic indicators reveals underlying patterns of community vulnerability and provides a clearer understanding of outage risk during extreme conditions. Four machine learning models (Random Forest (RF), Support Vector Machine (SVM), Adaptive Boosting (AdaBoost), and Long Short-Term Memory (LSTM)) are evaluated. Experimental validation is performed on a large-scale dataset covering counties in the lower peninsula of Michigan. Among all models tested, the LSTM network achieves the lowest prediction error. Additionally, the results demonstrate that stronger economic conditions and more developed infrastructure are associated with lower outage occurrence.
- Abstract（参考訳）: 本稿では,極端な事象による停電を予測するための新しい学習基盤を提案する。
提案手法は、特に、低確率、高頻度の停止シナリオを対象とし、公開データソースから派生した包括的な機能セットを活用する。
EAGLE-I機能停止記録(2014-2024)を天気・社会経済・インフラ・季節イベントデータと統合する。
社会的および人口統計学的指標を組み込むことは、コミュニティの脆弱性の根底にあるパターンを明らかにし、極端な状況下での障害リスクのより明確な理解を提供する。
4つの機械学習モデル(Random Forest (RF), Support Vector Machine (SVM), Adaptive Boosting (AdaBoost), Long Short-Term Memory (LSTM))を評価した。
ミシガン半島下部の郡をカバーする大規模なデータセット上で実験的な検証を行う。
テストされた全てのモデルの中で、LSTMネットワークは最も低い予測誤差を達成する。
さらに, この結果から, より強い経済状況と, より発達したインフラが, 失業率の低下に結びついていることが示唆された。
関連論文リスト
- When Simpler Wins: Facebooks Prophet vs LSTM for Air Pollution Forecasting in Data-Constrained Northern Nigeria [0.44198435146063364]
本研究では,複数汚染物質を予測するためのLong Short-Term Memory(LSTM)ネットワークとFacebook Prophetモデルを評価する。
その結果、預言者はしばしばLSTMの正確さ、特に季節的・長期的な傾向に支配されるシリーズにおいて一致または超えていることがわかった。
論文 参考訳（メタデータ） (2025-08-22T09:23:59Z) - Beyond the Norm: A Survey of Synthetic Data Generation for Rare Events [5.619671817895425]
市場崩壊、自然災害、パンデミックなどの極端な出来事は稀だが大惨事である。
データ駆動型メソッドは、極端なイベントモデリングに強力な機能を提供するが、豊富なトレーニングデータを必要とするが、極端なイベントデータは本質的に不足している。
この調査は、極端な事象に対する合成データ生成の最初の概要を提供する。
論文 参考訳（メタデータ） (2025-06-04T20:21:23Z) - Deep learning for predicting hauling fleet production capacity under uncertainties in open pit mines using real and simulated data [0.0]
本稿では,実世界の運用記録と合成機械的破壊シナリオを融合したディープラーニングフレームワークを提案する。
XGBoost回帰器は14.3%の絶対誤差(MedAE)と15.1%のLong Short-Term Memoryネットワークの2つのアーキテクチャを評価した。
論文 参考訳（メタデータ） (2025-06-04T12:12:56Z) - Open-set Anomaly Segmentation in Complex Scenarios [88.11076112792992]
本稿では,複雑なシナリオにおけるオープンセット異常セグメンテーションのベンチマークであるComsAmyを紹介する。
ComsAmyは、幅広い悪天候、動的な運転環境、様々な異常タイプを含む。
本稿では,エネルギーとエントロピーの相補的情報を統合する新しいエネルギ-エントロピー学習(EEL)戦略を提案する。
論文 参考訳（メタデータ） (2025-04-28T12:00:10Z) - 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) - Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data [7.559331742876793]
本研究では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を併用したハイブリッドモデルを提案する。
CNNは空間的特徴抽出に利用され、LSTMは時間的依存を処理し、予測精度と安定性が大幅に向上する。
論文 参考訳（メタデータ） (2024-10-19T03:38:53Z) - F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - Deep Learning-Based Weather-Related Power Outage Prediction with Socio-Economic and Power Infrastructure Data [4.4121133971424165]
本稿では,企業サービス領域を含むセンサストラクタにおける時間ごとの停電確率予測のためのディープラーニングに基づくアプローチを提案する。
2つの異なる深層学習モデル、条件付きマルチ層パーセプトロン(MLP)と非条件付きモデルを開発し、停電確率を予測した。
以上の結果から,センサスレベルでの停電予測の精度を高める上で,社会経済的要因の重要性が示唆された。
論文 参考訳（メタデータ） (2024-04-03T23:38:31Z) - 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) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳（メタデータ） (2023-09-12T13:28:06Z)
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。