論文の概要: TrustEnergy: A Unified Framework for Accurate and Reliable User-level Energy Usage Prediction

• arxiv url: http://arxiv.org/abs/2601.13422v1
• Date: Mon, 19 Jan 2026 22:09:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.077268
• Title: TrustEnergy: A Unified Framework for Accurate and Reliable User-level Energy Usage Prediction
• Title（参考訳）: TrustEnergy: 正確で信頼性の高いユーザレベルのエネルギー利用予測のための統一フレームワーク
• Authors: Dahai Yu, Rongchao Xu, Dingyi Zhuang, Yuheng Bu, Shenhao Wang, Guang Wang,
• Abstract要約: 我々はTrustEnergyという統合フレームワークを提案し、正確で信頼性の高いユーザレベルのエネルギー利用予測を行う。 フロリダの電力プロバイダと連携してTrustEnergyフレームワークを実装し,評価する。
• 参考スコア（独自算出の注目度）: 17.123184620994493
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Energy usage prediction is important for various real-world applications, including grid management, infrastructure planning, and disaster response. Although a plethora of deep learning approaches have been proposed to perform this task, most of them either overlook the essential spatial correlations across households or fail to scale to individualized prediction, making them less effective for accurate fine-grained user-level prediction. In addition, due to the dynamic and uncertain nature of energy usage caused by various factors such as extreme weather events, quantifying uncertainty for reliable prediction is also significant, but it has not been fully explored in existing work. In this paper, we propose a unified framework called TrustEnergy for accurate and reliable user-level energy usage prediction. There are two key technical components in TrustEnergy, (i) a Hierarchical Spatiotemporal Representation module to efficiently capture both macro and micro energy usage patterns with a novel memory-augmented spatiotemporal graph neural network, and (ii) an innovative Sequential Conformalized Quantile Regression module to dynamically adjust uncertainty bounds to ensure valid prediction intervals over time, without making strong assumptions about the underlying data distribution. We implement and evaluate our TrustEnergy framework by working with an electricity provider in Florida, and the results show our TrustEnergy can achieve a 5.4% increase in prediction accuracy and 5.7% improvement in uncertainty quantification compared to state-of-the-art baselines.
• Abstract（参考訳）: 電力利用予測は、グリッド管理、インフラ計画、災害対応など、現実世界の様々なアプリケーションにとって重要である。 このタスクを実行するために、多くのディープラーニングアプローチが提案されているが、その多くは家庭間での空間的関係を見落としているか、個別の予測にスケールできないかのどちらかであり、正確なきめ細かいユーザレベルの予測には効果が低い。 また、極度の気象現象などの様々な要因によるエネルギー利用の動的かつ不確実性から、信頼性の高い予測の不確実性も重要であるが、既存の研究では十分に研究されていない。 本稿では,信頼性の高いユーザレベルのエネルギー使用量の予測を行うためのTrustEnergyという統合フレームワークを提案する。 TrustEnergyには2つの重要な技術コンポーネントがある。 (i)新しいメモリ増強時空間グラフニューラルネットワークによるマクロおよびマイクロエネルギー利用パターンを効率よく捉える階層時空間表現モジュール (II)不確実性境界を動的に調整し、基礎となるデータ分布について強い仮定をすることなく、時間とともに有効な予測間隔を確保する、革新的な逐次整合量子回帰モジュール。 フロリダの電気プロバイダーと共同でTrustEnergyフレームワークを実装し評価した結果,TrustEnergyの予測精度は5.4%,不確実性は5.7%向上した。

関連論文リスト

• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• Enhanced Renewable Energy Forecasting using Context-Aware Conformal Prediction [15.641461394573499]
  本稿では,新しい重み付け方式を用いてコンテキスト対応キャリブレーションセットを構築するための調整校正フレームワークを提案する。 提案手法は, 再生可能エネルギー応用において高い予測信頼性とロバスト性を実現することを実証した。
  論文  参考訳（メタデータ） (2025-10-17T16:02:46Z)
• Uncertainty-Aware Graph Neural Networks: A Multi-Hop Evidence Fusion Approach [55.43914153271912]
  グラフニューラルネットワーク(GNN)は、グラフ構造とノード機能を統合することにより、グラフ表現学習に優れる。 既存のGNNでは、モデルの深さによって異なるクラス確率の不確実性を考慮することができず、現実のシナリオでは信頼できない、リスクの高い予測が生じる。 本稿では,信頼に値する予測を達成し,ノード分類精度を高め,誤予測のリスクを明らかにするために,新しいEvidence Fusing Graph Neural Network (EFGNN)を提案する。
  論文  参考訳（メタデータ） (2025-06-16T03:59:38Z)
• Probabilistic Forecasting for Building Energy Systems using Time-Series Foundation Models [20.57107693396709]
  エネルギーシステムの構築は、関連する時系列モデルの予測精度に依存する。 本稿では,建築エネルギー予測における時系列基礎モデル(TSFM)の適用性と微調整戦略について検討する。
  論文  参考訳（メタデータ） (2025-05-31T16:38:29Z)
• Global-Decision-Focused Neural ODEs for Proactive Grid Resilience Management [50.34345101758248]
  本稿では,機能停止予測とグローバルに最適化された介入を統合するフレームワークPATOGを提案する。 提案手法は,空間的かつ時間的に整合性のある意思決定を保証し,予測精度と操作効率を両立させる。 合成および実世界のデータセットの実験では、停止予測一貫性とグリッドレジリエンスが大幅に改善された。
  論文  参考訳（メタデータ） (2025-02-25T16:15:35Z)
• Energy-Aware Dynamic Neural Inference [39.04688735618206]
  エネルギーハーベスターと有限容量エネルギーストレージを備えたオンデバイス適応型推論システムを提案する。 環境エネルギーの速度が増加するにつれて、エネルギー・信頼性を考慮した制御方式は精度を約5%向上させることが示されている。 我々は、信頼性を意識し、認識できないコントローラを理論的に保証する原則的なポリシーを導出する。
  論文  参考訳（メタデータ） (2024-11-04T16:51:22Z)
• A Novel Hybrid Feature Importance and Feature Interaction Detection Framework for Predictive Optimization in Industry 4.0 Applications [1.0870564199697297]
  本稿では,特徴重要度検出(LIME)と特徴相互作用検出(NID)を組み合わせた新しいハイブリッドフレームワークを提案する。 実験の結果、R2スコアの最大9.56%が増加し、ルート平均平方誤差の最大24.05%が縮小された。
  論文  参考訳（メタデータ） (2024-03-04T13:22:53Z)
• A Stochastic Online Forecast-and-Optimize Framework for Real-Time Energy Dispatch in Virtual Power Plants under Uncertainty [18.485617498705736]
  本稿では,2つの要素から構成されるリアルタイム不確実性を考慮したエネルギー分散フレームワークを提案する。 提案するフレームワークは,リアルタイムデータ配信に迅速に適応すると同時に,データドリフトやモデルの不一致,制御プロセスの環境摂動などによる不確実性もターゲットとすることができる。 このフレームワークはCityLearn Challenge 2022で優勝し、エネルギー領域におけるAIアプリケーションの可能性を調べる影響力のある機会となった。
  論文  参考訳（メタデータ） (2023-09-15T00:04:00Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

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。