論文の概要: A Lightweight Multi-View Approach to Short-Term Load Forecasting

• arxiv url: http://arxiv.org/abs/2602.09220v1
• Date: Mon, 09 Feb 2026 21:43:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.258451
• Title: A Lightweight Multi-View Approach to Short-Term Load Forecasting
• Title（参考訳）: 短期負荷予測のための軽量マルチビューアプローチ
• Authors: Julien Guité-Vinet, Alexandre Blondin Massé, Éric Beaudry,
• Abstract要約: 時系列予測はエネルギー、金融、気象学といった分野における重要な課題である。 本稿では,単一値埋め込みと拡張時間範囲入力を利用する,短期負荷予測のための軽量なマルチビュー手法を提案する。
• 参考スコア（独自算出の注目度）: 44.00037058636877
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Time series forecasting is a critical task across domains such as energy, finance, and meteorology, where accurate predictions enable informed decision-making. While transformer-based and large-parameter models have recently achieved state-of-the-art results, their complexity can lead to overfitting and unstable forecasts, especially when older data points become less relevant. In this paper, we propose a lightweight multi-view approach to short-term load forecasting that leverages single-value embeddings and a scaled time-range input to capture temporally relevant features efficiently. We introduce an embedding dropout mechanism to prevent over-reliance on specific features and enhance interpretability. Our method achieves competitive performance with significantly fewer parameters, demonstrating robustness across multiple datasets, including scenarios with noisy or sparse data, and provides insights into the contributions of individual features to the forecast.
• Abstract（参考訳）: 時系列予測はエネルギー、ファイナンス、気象学といった分野において重要な課題であり、正確な予測は情報的な意思決定を可能にする。 トランスフォーマーベースおよび大規模パラメータモデルは、最近最先端の結果を得たが、特に古いデータポイントがあまり関連しなくなった場合、その複雑さは過度に適合し不安定な予測につながる可能性がある。 本稿では,時間的関係のある特徴を効率的に捉えるために,単一値埋め込みと拡張時間範囲入力を活用する,短期負荷予測のための軽量なマルチビュー手法を提案する。 本稿では,特定の特徴に対する過度な信頼を防ぎ,解釈可能性を高めるために,埋め込み型ドロップアウト機構を導入する。 提案手法は, パラメータが著しく少なく, ノイズやスパースデータを含む複数のデータセット間の堅牢性を実証し, 予測に対する個々の特徴の寄与に関する洞察を提供する。

関連論文リスト

• Advancing Enterprise Spatio-Temporal Forecasting Applications: Data Mining Meets Instruction Tuning of Language Models For Multi-modal Time Series Analysis in Low-Resource Settings [0.0]
  パティオ時間予測は輸送、物流、サプライチェーン管理において重要である。 本稿では,従来の予測手法の強みと小言語モデルの命令チューニングを融合した動的マルチモーダル手法を提案する。 我々のフレームワークは、推論速度とデータプライバシ/セキュリティを維持しながら、計算とメモリの要求を低減したオンプレミスのカスタマイズを可能にする。
  論文  参考訳（メタデータ） (2024-08-24T16:32:58Z)
• Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
  本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。 幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
  論文  参考訳（メタデータ） (2024-07-02T20:14:32Z)
• Short-Term Load Forecasting Using A Particle-Swarm Optimized Multi-Head Attention-Augmented CNN-LSTM Network [0.0]
  電力系統の効率的な運用と計画において、短期負荷予測が最重要となる。 ディープラーニングの最近の進歩は、この問題に対処する上で有望であることを示している。 これらの障害を克服する新しいソリューションを提案します。
  論文  参考訳（メタデータ） (2023-09-07T13:06:52Z)
• Discovering Predictable Latent Factors for Time Series Forecasting [39.08011991308137]
  我々は,観測可能な時系列によって示唆される本質的な潜伏因子を推定するための新しい枠組みを開発する。 予測可能性,充足性,識別性という3つの特性を導入し,これらの特性を強力な潜伏力学モデルを用いてモデル化する。 複数の実データに対する実験結果から, 時系列予測の手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2023-03-18T14:37:37Z)
• Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
  天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。 時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。 我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。 提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
  論文  参考訳（メタデータ） (2022-10-02T06:58:49Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。