論文の概要: Reliable Grid Forecasting: State Space Models for Safety-Critical Energy Systems

• arxiv url: http://arxiv.org/abs/2601.01410v1
• Date: Sun, 04 Jan 2026 07:30:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.333279
• Title: Reliable Grid Forecasting: State Space Models for Safety-Critical Energy Systems
• Title（参考訳）: 信頼性グリッド予測:安全臨界エネルギーシステムのための状態空間モデル
• Authors: Jisoo Lee, Sunki Hong,
• Abstract要約: 本稿では,統計的精度のみでなく,運用リスクを計測するグリッド固有評価フレームワークを提案する。 気象対応CAISO TAC-areaデータセットを用いて,カリフォルニア州のグリッド予測のためのマンバをベースとしたステートスペースモデルの評価を行った。 S-Mambaモデルは、iTransformerの16.66%よりも低いリザーブ_99.5%(14.12%)を達成し、99.5パーセントのテールリスクリザーブプロキシの下で優れた予測信頼性を示す。
• 参考スコア（独自算出の注目度）: 3.6578297531066144
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate grid load forecasting is safety-critical: under-predictions risk supply shortfalls, while symmetric error metrics mask this operational asymmetry. We introduce a grid-specific evaluation framework--Asymmetric MAPE, Under-Prediction Rate, and Reserve Margin--that directly measures operational risk rather than statistical accuracy alone. Using this framework, we conduct a systematic evaluation of Mamba-based State Space Models for California grid forecasting on a weather-aligned CAISO TAC-area dataset spanning Nov 2023--Nov 2025 (84,498 hourly records across 5 transmission areas). Our analysis reveals that standard accuracy metrics are poor proxies for operational safety: models with identical MAPE can require vastly different reserve margins. We demonstrate that forecast errors are weakly but significantly associated with temperature (r = 0.16, p < 10^{-16}), motivating weather-aware modeling rather than loss function modification alone. The S-Mamba model achieves the lowest Reserve_{99.5}% margin (14.12%) compared to 16.66% for iTransformer, demonstrating superior forecast reliability under a 99.5th-percentile tail-risk reserve proxy.
• Abstract（参考訳）: 正確なグリッド負荷予測は安全クリティカルであり、予測不足のリスクサプライ不足を予測し、対称誤差メトリクスはこの運用上の非対称性を隠蔽する。 本稿では,非対称MAPE,アンダープレディションレート,リザーブマージンという,グリッド固有の評価フレームワークを導入する。 この枠組みを用いて,11月2023-Nov 2025(5つの送信領域で84,498時間記録)にまたがる気象対応CAISO TAC-areaデータセットを用いて,カリフォルニア州グリッドのマンバをベースとした状態空間モデル(State Space Models)の体系的評価を行った。 我々の分析では、標準的な精度の指標は、運用上の安全性には不十分なプロキシであることが判明した。 予測誤差は温度(r = 0.16, p < 10^{-16})と弱いが有意な相関があることを示し, 損失関数の修正だけではならず, 気象を考慮したモデリングを動機付ける。 S-Mambaモデルは、iTransformerの16.66%よりも低いリザーブ_{99.5}%(14.12%)を達成し、99.5パーセントのテールリスクリザーブプロキシの下で優れた予測信頼性を示す。

関連論文リスト

• Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models [60.728124907335]
  本研究では,気象適応型対向摂動最適化(WAAPO)を紹介した。 WAAPOは、チャネルの間隔、空間的局所化、滑らかさの制約を取り入れ、摂動が物理的に現実的で知覚不能であることを保証することでこれを達成している。 我々の実験は、AI駆動予測モデルにおける重要な脆弱性を強調しており、初期状態への小さな摂動が大きな逸脱をもたらす可能性がある。
  論文  参考訳（メタデータ） (2025-12-09T17:20:56Z)
• Geometric Calibration and Neutral Zones for Uncertainty-Aware Multi-Class Classification [0.0]
  この研究は情報幾何学と統計的学習を橋渡しし、厳密な検証を必要とするアプリケーションにおいて不確実性を認識した分類の正式な保証を提供する。 アデノ関連ウイルスの分類に関する実証的な検証は、2段階のフレームワークが72.5%のエラーをキャプチャし、34.5%のサンプルを遅延させ、自動決定エラー率を16.8%から6.9%に下げていることを示している。
  論文  参考訳（メタデータ） (2025-11-26T01:29:49Z)
• SARIMAX-Based Power Outage Prediction During Extreme Weather Events [9.853802100348892]
  本研究では,SARIMAXを用いた短期停電予測システムを開発した。 ミシガン州の郡から毎時のデータと、停止数と包括的な気象特性を使って、システマティックな2段階のフィーチャーエンジニアリングパイプラインを実装します。 選択した特徴は,SARIMAXモデルへの入力として,時間埋め込み,マルチスケールラグ特性,気象変数を付加したものである。
  論文  参考訳（メタデータ） (2025-11-02T17:13:58Z)
• Enforcing tail calibration when training probabilistic forecast models [0.0]
  本研究では,確率予測モデルの学習に使用する損失関数を用いて,極端な事象に対する予測の信頼性を向上させる方法について検討する。 我々は,最先端モデルが極端風速のキャリブレーション予測を発行しないことを示すとともに,モデルトレーニング中の損失関数への適切な適応により,極端事象のキャリブレーションを改善することができることを示した。
  論文  参考訳（メタデータ） (2025-06-16T16:51:06Z)
• Predictive Crash Analytics for Traffic Safety using Deep Learning [0.0]
  本研究では,アンサンブル学習手法とマルチモーダルデータ融合を統合した交通安全解析手法を提案する。 我々の主な貢献は、時空間の衝突パターンと環境条件を組み合わせた階層的な重大度分類システムの開発である。 本稿では,事故発生時の位置データをインシデントレポートや気象条件と統合し,リスク予測の精度92.4%,ホットスポット識別の精度89.7%を達成できる新しい特徴工学手法を提案する。
  論文  参考訳（メタデータ） (2025-02-09T05:00:46Z)
• 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)
• Probabilistic Symmetry for Multi-Agent Dynamics [18.94585103009698]
  本稿では,多エージェント軌道の確率論的予測のための新しい動的モデルである確率的同変連続共進化(PECCO)を提案する。 PECCOは、非同変ベースラインに比べて精度とキャリブレーションが大幅に向上した。
  論文  参考訳（メタデータ） (2022-05-04T07:51:08Z)
• Approaching Neural Network Uncertainty Realism [53.308409014122816]
  自動運転車などの安全クリティカルなシステムには、定量化または少なくとも上限の不確実性が不可欠です。 マハラノビス距離に基づく統計的テストにより、厳しい品質基準である不確実性リアリズムを評価します。 自動車分野に採用し、プレーンエンコーダデコーダモデルと比較して、不確実性リアリズムを大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-01-08T11:56:12Z)

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。