論文の概要: Efficient Deep Learning for Short-Term Solar Irradiance Time Series Forecasting: A Benchmark Study in Ho Chi Minh City

• arxiv url: http://arxiv.org/abs/2512.23898v1
• Date: Mon, 29 Dec 2025 23:22:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.235227
• Title: Efficient Deep Learning for Short-Term Solar Irradiance Time Series Forecasting: A Benchmark Study in Ho Chi Minh City
• Title（参考訳）: 短期太陽照度時系列予測のための効率的な深層学習:ホーチミン市におけるベンチマーク研究
• Authors: Tin Hoang,
• Abstract要約: 本研究は,ホーチミン市における短期(1時間先)グローバル水平照度(GHI)予測のための10のディープラーニングアーキテクチャのベンチマークを示す。 実験の結果、Transformer は優れたアーキテクチャであり、R2 は 0.9696 である。
• 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: Reliable forecasting of Global Horizontal Irradiance (GHI) is essential for mitigating the variability of solar energy in power grids. This study presents a comprehensive benchmark of ten deep learning architectures for short-term (1-hour ahead) GHI time series forecasting in Ho Chi Minh City, leveraging high-resolution NSRDB satellite data (2011-2020) to compare established baselines (e.g. LSTM, TCN) against emerging state-of-the-art architectures, including Transformer, Informer, iTransformer, TSMixer, and Mamba. Experimental results identify the Transformer as the superior architecture, achieving the highest predictive accuracy with an R^2 of 0.9696. The study further utilizes SHAP analysis to contrast the temporal reasoning of these architectures, revealing that Transformers exhibit a strong "recency bias" focused on immediate atmospheric conditions, whereas Mamba explicitly leverages 24-hour periodic dependencies to inform predictions. Furthermore, we demonstrate that Knowledge Distillation can compress the high-performance Transformer by 23.5% while surprisingly reducing error (MAE: 23.78 W/m^2), offering a proven pathway for deploying sophisticated, low-latency forecasting on resource-constrained edge devices.
• Abstract（参考訳）: 電力グリッドにおける太陽エネルギーの変動を緩和するためには、GHI(Global Horizontal Irradiance)の信頼性予測が不可欠である。 本研究は, 高解像度NSRDB衛星データ(2011-2020)を活用し, ホーチミン市における短時間(1時間前)GHI時系列予測のための10のディープラーニングアーキテクチャの総合ベンチマークを, Transformer, Informer, iTransformer, TSMixer, Mambaなどの最先端アーキテクチャと比較した。 実験の結果、トランスフォーマーは優れたアーキテクチャであり、R^2の0.9696で最高の予測精度を達成した。 この研究は、SHAP分析を利用してこれらのアーキテクチャの時間的推論を対比し、トランスフォーマーが大気中の状況に焦点を絞った強い「周波数バイアス」を示すことを示した。 さらに、知識蒸留により、驚くほどエラーを低減しつつ、高性能トランスフォーマーを23.5%圧縮できることを示し(MAE: 23.78 W/m^2)、リソース制約エッジデバイスに高度な低遅延予測を展開できることを示す。

関連論文リスト

• Forecasting Thermospheric Density with Transformers for Multi-Satellite Orbit Management [41.99844472131922]
  この研究は、最大3日前に密度を予測するトランスフォーマーベースのモデルを提示します。 空間的縮小と複雑な入力パイプラインを回避し、コンパクトな入力セットで直接動作する。 実世界のデータに基づいて検証され、ミッションプランニングを支援する可能性を示す。
  論文  参考訳（メタデータ） (2025-11-08T19:02:14Z)
• A Deep Learning Approach for Spatio-Temporal Forecasting of InSAR Ground Deformation in Eastern Ireland [2.840858735842673]
  地盤変位のモニタリングは、都市インフラと地質学的危険の軽減に不可欠である。 本稿では,スパース点計測を高密度時間テンソルに変換する新しいディープラーニングフレームワークを提案する。 その結果,提案アーキテクチャはより正確で空間的に整合性のある予測を提供することを示した。
  論文  参考訳（メタデータ） (2025-09-17T17:10:18Z)
• WGAST: Weakly-Supervised Generative Network for Daily 10 m Land Surface Temperature Estimation via Spatio-Temporal Fusion [3.344876133162209]
  筆者らは,MODIS,Landsat 8,Sentinel-2のSSupervise-Temporal Fusionによる1日10mLST分解能の弱い遺伝的ネットワークWGASTを提案する。 特徴抽出、融合、LST再構成、ノイズ抑制の4段階からなる、条件付き生成対向アーキテクチャを採用する。 実験により、WGASTは定量評価と定性評価の両方において既存の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-08-08T17:49:46Z)
• Powerformer: A Transformer with Weighted Causal Attention for Time-series Forecasting [50.298817606660826]
  我々は,非因果重みをスムーズな重み付き崩壊に応じて再加重する因果重みに置き換える新しいトランスフォーマーであるPowerformerを紹介する。 我々の実証実験の結果,Powerformer は公開時系列ベンチマークで最先端の精度を達成できた。 分析の結果、トレーニング中にモデルの局所性バイアスが増幅され、時系列データとパワールールに基づく注意の相互作用が示されることがわかった。
  論文  参考訳（メタデータ） (2025-02-10T04:42:11Z)
• Wind Speed Forecasting Based on Data Decomposition and Deep Learning Models: A Case Study of a Wind Farm in Saudi Arabia [0.0]
  風力発電は常に風速のボラティリティによる不確実性を伴う。 風速予測(WSF)は電力グリッドのディスパッチ、安定性、制御性に不可欠である。 本研究では,ハイブリッド分解法に基づく定常データのための新しいWSFフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-17T22:04:46Z)
• Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
  近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。 本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
  論文  参考訳（メタデータ） (2024-07-12T18:00:02Z)
• Ai4Fapar: How artificial intelligence can help to forecast the seasonal earth observation signal [0.15361702135159847]
  モデルの評価は, 気候指標と比較し, 1年経過した期間で行った。 その結果, 変圧器モデルの方が1ヶ月の地平線予測でベンチマークモデルより優れており, その後の気候学的ベンチマークの方が優れていることがわかった。 全体として、テストされたTransformerモデルは、特に気象データと組み合わせて短期予測を行う場合、FAPAR予測に有効な方法である。
  論文  参考訳（メタデータ） (2024-02-08T11:00:51Z)
• Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer [112.12271800369741]
  風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。 正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。 既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
  論文  参考訳（メタデータ） (2023-05-30T04:03:15Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Wind Speed Prediction and Visualization Using Long Short-Term Memory Networks (LSTM) [1.8495489370732452]
  本稿では,風力発電計画と実現可能性研究を簡易化する風速予測手法を提案する。 その結果、長期記憶(LSTM)は97.8%の精度で他のモデルより優れていることが判明した。
  論文  参考訳（メタデータ） (2020-05-22T17:51:13Z)

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。