論文の概要: Agentic Workflow Using RBA$_θ$ for Event Prediction

• arxiv url: http://arxiv.org/abs/2602.06097v1
• Date: Thu, 05 Feb 2026 13:03:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.0438
• Title: Agentic Workflow Using RBA$_θ$ for Event Prediction
• Title（参考訳）: RBA$_θ$を用いたイベント予測のためのエージェントワークフロー
• Authors: Purbak Sengupta, Sambeet Mishra, Sonal Shreya,
• Abstract要約: 風力ランプのイベントは、強い変動性、マルチスケールのダイナミクス、およびサイト固有の気象効果のために予測が難しい。 本稿では、ランプイベントを直接予測し、その後に電力軌道を再構築するイベントファースト・周波数対応予測パラダイムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wind power ramp events are difficult to forecast due to strong variability, multi-scale dynamics, and site-specific meteorological effects. This paper proposes an event-first, frequency-aware forecasting paradigm that directly predicts ramp events and reconstructs the power trajectory thereafter, rather than inferring events from dense forecasts. The framework is built on an enhanced Ramping Behaviour Analysis (RBA$_θ$) method's event representation and progressively integrates statistical, machine-learning, and deep-learning models. Traditional forecasting models with post-hoc event extraction provides a strong interpretable baseline but exhibits limited generalisation across sites. Direct event prediction using Random Forests improves robustness over survival-based formulations, motivating fully event-aware modelling. To capture the multi-scale nature of wind ramps, we introduce an event-first deep architecture that integrates wavelet-based frequency decomposition, temporal excitation features, and adaptive feature selection. The resulting sequence models enable stable long-horizon event prediction, physically consistent trajectory reconstruction, and zero-shot transfer to previously unseen wind farms. Empirical analysis shows that ramp magnitude and duration are governed by distinct mid-frequency bands, allowing accurate signal reconstruction from sparse event forecasts. An agentic forecasting layer is proposed, in which specialised workflows are selected dynamically based on operational context. Together, the framework demonstrates that event-first, frequency-aware forecasting provides a transferable and operationally aligned alternative to trajectory-first wind-power prediction.
• Abstract（参考訳）: 風力ランプのイベントは、強い変動性、マルチスケールのダイナミクス、およびサイト固有の気象効果のために予測が難しい。 本稿では,高密度予測からイベントを推定するのではなく,ランプイベントを直接予測し,その後に電力軌道を再構築するイベントファースト・周波数対応予測パラダイムを提案する。 このフレームワークは、拡張されたRamping Behaviour Analysis (RBA$_θ$) メソッドのイベント表現に基づいて構築され、統計的、機械学習、ディープラーニングモデルを段階的に統合する。 ポストホックイベント抽出による従来の予測モデルは、強い解釈可能なベースラインを提供するが、サイト全体の限定的な一般化を示す。 ランダムフォレストを用いた直接イベント予測は、生存に基づく定式化よりも堅牢性を改善し、完全なイベント認識モデリングを動機付ける。 本研究では,ウェーブレットに基づく周波数分解,時間励振特性,適応的特徴選択を統合したイベントファーストディープアーキテクチャを提案する。 結果のシーケンスモデルにより、安定な長距離イベント予測、物理的に一貫した軌道再構成、ゼロショットによる以前の見つからない風力発電への転送が可能になる。 経験的分析により、ランプの大きさと持続時間は異なる中周波数帯域によって制御され、スパース事象予測からの正確な信号再構成が可能であることが示された。 エージェント予測層が提案され、運用コンテキストに基づいて特別なワークフローを動的に選択する。 このフレームワークは、イベントファーストの周波数対応予測が、軌道優先の風力予測に代わる、転送可能で運用的に整合した予測を提供することを示した。

関連論文リスト

• Position: Beyond Model-Centric Prediction -- Agentic Time Series Forecasting [49.05788441962762]
  エージェント時系列予測(ATSF)は,認識,計画,行動,反射,記憶からなるエージェントプロセスとして再編成される。 ワークフローに基づく設計、エージェント強化学習、ハイブリッドエージェントワークフローパラダイムという3つの代表的な実装パラダイムを概説し、モデル中心の予測からエージェント予測に移行する際に生じる機会と課題について議論する。
  論文  参考訳（メタデータ） (2026-02-02T08:01:11Z)
• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• A Causally Informed Pretraining Approach for Multimodal Foundation Models: Applications in Remote Sensing [16.824262496666893]
  大規模データを用いた基礎モデルの事前学習のための強力なパラダイムとして,自己教師型学習が登場している。 条件生成タスクとして予測をモデル化する新しい事前学習タスクであるCausally Informed Variable-Step Forecasting (CI-VSF)を提案する。 このような事前学習は,予測と予測の両方に微調整を施すと,性能が向上することを示す。
  論文  参考訳（メタデータ） (2024-07-29T02:49:55Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Scaling transformer neural networks for skillful and reliable medium-range weather forecasting [23.249955524044392]
  本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。 Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。 ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
  論文  参考訳（メタデータ） (2023-12-06T19:46:06Z)
• Non-Autoregressive Diffusion-based Temporal Point Processes for Continuous-Time Long-Term Event Prediction [8.88485011274486]
  本研究では,長期イベント予測のための拡散に基づく非自己回帰時間プロセスモデルを提案する。 事象列上で拡散過程を実行するために,対象事象列とユークリッドベクトル空間の間の双方向マップを開発する。 連続時間における長期イベント予測における最先端手法よりも提案モデルの方が優れていることを示す実験を行った。
  論文  参考訳（メタデータ） (2023-11-02T06:52:44Z)
• Asset Bundling for Wind Power Forecasting [15.393565192962482]
  本研究は,アセットバンドル,マシンラーニング,予測和解技術を統合したBPR( Bundle-Predict-Reconcile)フレームワークを提案する。 BPRフレームワークはまず中間階層レベル(バンドル)を学習し、続いて資産、バンドル、フリートレベルでの風力発電を予測し、最後にすべての予測を整合性を確保するために調整する。
  論文  参考訳（メタデータ） (2023-09-28T14:56:34Z)
• Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
  シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。 実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。 文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T07:54:13Z)

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。