論文の概要: DDT: A Dual-Masking Dual-Expert Transformer for Energy Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2601.07250v1
• Date: Mon, 12 Jan 2026 06:36:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.24854
• Title: DDT: A Dual-Masking Dual-Expert Transformer for Energy Time-Series Forecasting
• Title（参考訳）: DDT:エネルギー時系列予測のためのデュアルマスキングデュアルエキスパート変換器
• Authors: Mingnan Zhu, Qixuan Zhang, Yixuan Cheng, Fangzhou Gu, Shiming Lin,
• Abstract要約: 本稿では,高精度時系列予測のための新鮮で堅牢なディープラーニングフレームワークであるDDTを提案する。 まず、厳密な因果マスクとデータ駆動型動的マスクを相乗的に組み合わせた二重マスキング機構を設計する。 第二に、我々のアーキテクチャは、時間的ダイナミクスとクロス変数相関のモデリングを並列で特殊な経路に分離するデュアルエキスパートシステムを備えている。
• 参考スコア（独自算出の注目度）: 3.877294667255643
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate energy time-series forecasting is crucial for ensuring grid stability and promoting the integration of renewable energy, yet it faces significant challenges from complex temporal dependencies and the heterogeneity of multi-source data. To address these issues, we propose DDT, a novel and robust deep learning framework for high-precision time-series forecasting. At its core, DDT introduces two key innovations. First, we design a dual-masking mechanism that synergistically combines a strict causal mask with a data-driven dynamic mask. This novel design ensures theoretical causal consistency while adaptively focusing on the most salient historical information, overcoming the rigidity of traditional masking techniques. Second, our architecture features a dual-expert system that decouples the modeling of temporal dynamics and cross-variable correlations into parallel, specialized pathways, which are then intelligently integrated through a dynamic gated fusion module. We conducted extensive experiments on 7 challenging energy benchmark datasets, including ETTh, Electricity, and Solar. The results demonstrate that DDT consistently outperforms strong state-of-the-art baselines across all prediction horizons, establishing a new benchmark for the task.
• Abstract（参考訳）: 正確なエネルギー時系列予測は、グリッド安定性の確保と再生可能エネルギーの統合促進に不可欠であるが、複雑な時間的依存とマルチソースデータの均一性から大きな課題に直面している。 これらの課題に対処するため,我々は,高精度時系列予測のための新鮮で堅牢なディープラーニングフレームワークであるDDTを提案する。 DDTの中核となるのは、2つの重要なイノベーションだ。 まず、厳密な因果マスクとデータ駆動型動的マスクを相乗的に組み合わせた二重マスキング機構を設計する。 この新しい設計は、従来のマスキング技法の厳密さを克服しつつ、最も健全な歴史的情報に適応しながら、理論的因果一貫性を確保する。 第2に、我々のアーキテクチャは、時間的ダイナミクスとクロス変数相関のモデリングを並列な特殊な経路に分離し、動的ゲート融合モジュールを通じてインテリジェントに統合するデュアルエキスパートシステムを備えている。 我々はETTh、Electricity、Solarを含む7つのエネルギーベンチマークデータセットについて広範な実験を行った。 その結果、DDTは全ての予測地平線にわたって強い最先端のベースラインを一貫して上回り、タスクのための新しいベンチマークを確立した。

関連論文リスト

• Wavelet-Enhanced Neural ODE and Graph Attention for Interpretable Energy Forecasting [0.0]
  本稿では、連続時間ニューラル正規微分方程式(Neural ODE)とグラフアテンションを統合するニューラルネットワークフレームワークを提案する。 多様なマルチスケールの時間的ダイナミクスを捕捉し、モデル化する。 このモデルはSHAP分析により解釈可能性を高め、持続可能なエネルギー応用に適合する。
  論文  参考訳（メタデータ） (2025-07-14T10:23:18Z)
• Enhanced Photovoltaic Power Forecasting: An iTransformer and LSTM-Based Model Integrating Temporal and Covariate Interactions [16.705621552594643]
  既存のモデルは、しばしばターゲット変数と共変量の間の複雑な関係を捉えるのに苦労する。 対象変数からの特徴抽出にiTransformerを利用する新しいモデルアーキテクチャを提案する。 クロスアテンション機構は両方のモデルの出力を融合するために統合され、続いてコルモゴロフ・アルノルドネットワークマッピングが続く。 その結果, PV発電の季節変動を効果的に把握し, 予測精度を向上することが示唆された。
  論文  参考訳（メタデータ） (2024-12-03T09:16:13Z)
• EnergyDiff: Universal Time-Series Energy Data Generation using Diffusion Models [2.677325229270716]
  高解像度時系列データはエネルギーシステムの運用と計画に不可欠である。 高分解能時系列データは、その固有の高次元と複雑な時間的依存関係のためにモデル化が難しい。 本稿では,エネルギー時系列データのための汎用データ生成フレームワークであるEnergyDiffを提案する。
  論文  参考訳（メタデータ） (2024-07-18T14:10:50Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• 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)

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。