論文の概要: Resilient Load Forecasting under Climate Change: Adaptive Conditional Neural Processes for Few-Shot Extreme Load Forecasting
- arxiv url: http://arxiv.org/abs/2602.04609v1
- Date: Wed, 04 Feb 2026 14:36:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-05 19:45:11.573401
- Title: Resilient Load Forecasting under Climate Change: Adaptive Conditional Neural Processes for Few-Shot Extreme Load Forecasting
- Title（参考訳）: 気候変動下における弾力性負荷予測:Few-Shot Extreme負荷予測のための適応的条件ニューラルネットワークプロセス
- Authors: Chenxi Hu, Yue Ma, Yifan Wu, Yunhe Hou,
- Abstract要約: データスカース条件に対する確率予測モデルであるAdaCNPを提案する。
実世界の電力系統負荷データからAdaCNPを評価し,それを代表的ベースラインの範囲と比較した。
- 参考スコア（独自算出の注目度）: 7.8316798257451765
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Extreme weather can substantially change electricity consumption behavior, causing load curves to exhibit sharp spikes and pronounced volatility. If forecasts are inaccurate during those periods, power systems are more likely to face supply shortfalls or localized overloads, forcing emergency actions such as load shedding and increasing the risk of service disruptions and public-safety impacts. This problem is inherently difficult because extreme events can trigger abrupt regime shifts in load patterns, while relevant extreme samples are rare and irregular, making reliable learning and calibration challenging. We propose AdaCNP, a probabilistic forecasting model for data-scarce condition. AdaCNP learns similarity in a shared embedding space. For each target data, it evaluates how relevant each historical context segment is to the current condition and reweights the context information accordingly. This design highlights the most informative historical evidence even when extreme samples are rare. It enables few-shot adaptation to previously unseen extreme patterns. AdaCNP also produces predictive distributions for risk-aware decision-making without expensive fine-tuning on the target domain. We evaluate AdaCNP on real-world power-system load data and compare it against a range of representative baselines. The results show that AdaCNP is more robust during extreme periods, reducing the mean squared error by 22\% relative to the strongest baseline while achieving the lowest negative log-likelihood, indicating more reliable probabilistic outputs. These findings suggest that AdaCNP can effectively mitigate the combined impact of abrupt distribution shifts and scarce extreme samples, providing a more trustworthy forecasting for resilient power system operation under extreme events.
- Abstract（参考訳）: 極度の天候は電力消費の挙動を大きく変え、負荷曲線が急激なスパイクを示し、ボラティリティが顕著になる。
この期間に予測が不正確であれば、電力系統は供給不足や局部的な過負荷に直面し、負荷の隠蔽やサービス中断や公共安全への影響のリスクの増大といった緊急措置を強要する傾向にある。
極端な事象は負荷パターンの急激な変動を引き起こすが、関連する極端なサンプルはまれで不規則であり、信頼できる学習と校正が困難である。
データスカース条件に対する確率予測モデルであるAdaCNPを提案する。
AdaCNPは共有埋め込み空間において類似性を学ぶ。
各対象データに対して、各履歴コンテキストセグメントが現在の状態とどの程度関連しているかを評価し、それに応じてコンテキスト情報を重み付けする。
このデザインは、極端なサンプルが稀な場合でも最も情報に富んだ歴史的証拠を浮き彫りにしている。
それまで見えなかった極端なパターンへのわずかな適応を可能にする。
AdaCNPはまた、ターゲットドメインに高価な微調整をすることなく、リスクを意識した意思決定のための予測分布を生成する。
実世界の電力系統負荷データからAdaCNPを評価し,それを代表的ベースラインの範囲と比較した。
その結果、AdaCNPは極端に頑健であり、最強基準線に対して平均二乗誤差を22倍減らし、最低負の対数類似度を達成し、より信頼性の高い確率出力を示した。
これらの結果から,AdaCNPは急激な分散シフトの影響を緩和し,極端なサンプルが不足していることが示唆された。
関連論文リスト
- DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。
本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
論文 参考訳（メタデータ） (2025-10-28T16:09:59Z) - Transmission Line Outage Probability Prediction Under Extreme Events Using Peter-Clark Bayesian Structural Learning [4.669957449088593]
本稿では,ベイジアンネットワークとPeter-Clark構造学習を組み合わせた伝送線路停止確率の予測手法を提案する。
提案手法は, 精度の高い停止確率計算を可能にするだけでなく, 限られたデータであっても, より優れたスケーラビリティとロバストな性能を示す。
論文 参考訳（メタデータ） (2024-11-18T19:10:49Z) - Evidential time-to-event prediction with calibrated uncertainty quantification [12.446406577462069]
Time-to-event分析は、臨床予後と治療勧告に関する洞察を提供する。
本稿では,時間とイベントの予測に特化して設計された明らかな回帰モデルを提案する。
我々のモデルは正確かつ信頼性の高い性能を提供し、最先端の手法より優れていることを示す。
論文 参考訳（メタデータ） (2024-11-12T15:06:04Z) - Improving probabilistic forecasts of extreme wind speeds by training statistical post-processing models with weighted scoring rules [0.0]
閾値重み付き連続ランク確率スコア(twCRPS)を用いたトレーニングは、後処理モデルの極端なイベント性能を向上させる。
極端事象の確率論的予測の性能が向上し,分布物体の予測性能が低下する分布体テールトレードオフが発見された。
論文 参考訳（メタデータ） (2024-07-22T11:07:52Z) - DiffPLF: A Conditional Diffusion Model for Probabilistic Forecasting of
EV Charging Load [21.784993854707288]
我々は、EV充電の確率的負荷予測のための新しい拡散モデルDiffPLFを考案した。
本稿では,DiffPLFを確率的時系列予測タスクに適応させるタスクインフォームド微調整手法を提案する。
その結果,従来の方法と比較して,MAEおよびCRPSでは39.58%,49.87%の顕著な上昇がみられた。
論文 参考訳（メタデータ） (2024-02-21T06:07:33Z) - Performative Time-Series Forecasting [64.03865043422597]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - SaDI: A Self-adaptive Decomposed Interpretable Framework for Electric
Load Forecasting under Extreme Events [25.325870546140788]
自己適応型分解解釈フレームワーク(SaDI)という新しい予測フレームワークを提案する。
中央中国の電力負荷と公共エネルギーの計器の実験により、提案されたSaDIフレームワークは平均22.14%の改善が達成された。
論文 参考訳（メタデータ） (2023-06-14T07:11:30Z) - User-defined Event Sampling and Uncertainty Quantification in Diffusion
Models for Physical Dynamical Systems [49.75149094527068]
拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。
本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。
推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
論文 参考訳（メタデータ） (2023-06-13T03:42:03Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳（メタデータ） (2021-06-07T18:31:47Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z)
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。