論文の概要: LightGTS-Cov: Covariate-Enhanced Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2602.10412v1
• Date: Wed, 11 Feb 2026 01:51:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.370969
• Title: LightGTS-Cov: Covariate-Enhanced Time Series Forecasting
• Title（参考訳）: LightGTS-Cov:共変量による時系列予測
• Authors: Yong Shang, Zhipeng Yao, Ning Jin, Xiangfei Qiu, Hui Zhang, Bin Yang,
• Abstract要約: 時系列基礎モデルは、通常、大規模なマルチソースデータセットで事前訓練される。 我々はLightGTS-Covを紹介した。これはLightGTSの共変量拡張で、軽量で周期対応のバックボーンを保存する。 実世界の2つのエネルギケース応用において,その実用的価値を実証する。
• 参考スコア（独自算出の注目度）: 5.893050294112672
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series foundation models are typically pre-trained on large, multi-source datasets; however, they often ignore exogenous covariates or incorporate them via simple concatenation with the target series, which limits their effectiveness in covariate-rich applications such as electricity price forecasting and renewable energy forecasting. We introduce LightGTS-Cov, a covariate-enhanced extension of LightGTS that preserves its lightweight, period-aware backbone while explicitly incorporating both past and future-known covariates. Built on a $\sim$1M-parameter LightGTS backbone, LightGTS-Cov adds only a $\sim$0.1M-parameter MLP plug-in that integrates time-aligned covariates into the target forecasts by residually refining the outputs of the decoding process. Across covariate-aware benchmarks on electricity price and energy generation datasets, LightGTS-Cov consistently outperforms LightGTS and achieves superior performance over other covariate-aware baselines under both settings, regardless of whether future-known covariates are provided. We further demonstrate its practical value in two real-world energy case applications: long-term photovoltaic power forecasting with future weather forecasts and day-ahead electricity price forecasting with weather and dispatch-plan covariates. Across both applications, LightGTS-Cov achieves strong forecasting accuracy and stable operational performance after deployment, validating its effectiveness in real-world industrial settings.
• Abstract（参考訳）: 時系列基礎モデルは、通常、大規模なマルチソースデータセットで事前訓練されるが、それらはしばしば外生的共変量を無視したり、ターゲット系列との単純な結合によってそれらを組み込んだりすることで、電気価格予測や再生可能エネルギー予測のようなコバリアイトリッチな応用においての有効性を制限する。 我々はLightGTS-Covを紹介した。これはLightGTSの共変量拡張で、その軽量で周期対応のバックボーンを保ちつつ、過去と未来の共変量の両方を明示的に取り入れている。 LightGTS-Cov は $\sim$1M-parameter LightGTS のバックボーン上に構築されている。 光GTS-Covは、電力価格とエネルギー発生データセットに関するコヴァリエート対応ベンチマーク全体を通じて、LightGTSを一貫して上回り、将来のコヴァリエートが提供されるかどうかに関わらず、両方の設定下で他のコヴァリエート対応ベースラインよりも優れたパフォーマンスを達成する。 さらに、将来の天気予報による長期太陽光発電量予測と、天気予報と配電計画の共変量による日頭電力価格予測の2つの実世界のエネルギーケース応用における実用的価値を実証する。 両方のアプリケーション全体で、LightGTS-Covは、デプロイ後の高い予測精度と安定した運用性能を実現し、実世界の産業環境での有効性を検証する。

関連論文リスト

• $V_0$: A Generalist Value Model for Any Policy at State Zero [80.7505802128501]
  ポリシーメソッドは、アクションの相対的な利点を測定するためにベースラインに依存します。 このベースラインは一般的に、政策モデルそのものと同じくらい大きな価値モデル(Critic)によって推定される。 未知のプロンプト上での任意のモデルの期待性能を推定できるジェネリスト値モデルを提案する。
  論文  参考訳（メタデータ） (2026-02-03T14:35:23Z)
• Generative Actor Critic [74.04971271003869]
  Generative Actor Critic (GAC) は、軌道上での関節分布の生成モデル学習として、テキスト政治評価を反映して、シーケンシャルな意思決定を分離する新しいフレームワークである。 Gym-MuJoCoとMaze2Dベンチマークの実験では、GACの強いオフライン性能と、最先端の手法と比較してオフラインからオフラインへの大幅な改善が示されている。
  論文  参考訳（メタデータ） (2025-12-25T06:31:11Z)
• Keep the Lights On, Keep the Lengths in Check: Plug-In Adversarial Detection for Time-Series LLMs in Energy Forecasting [35.31487571405278]
  本稿では,TS-LLMの可変長入力機能を利用したプラグイン検出フレームワークを提案する。 我々は3つのエネルギーデータセットにまたがる3つの代表的なTS-LLMに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2025-12-13T03:24:36Z)
• A Lightweight DL Model for Smart Grid Power Forecasting with Feature and Resolution Mismatch [0.4999814847776097]
  本稿では、実世界の高周波データを用いて、日々の電力需要を予測することを課題とする。 我々は、時間単位のダウンサイズ化、二重モードのインパルス化、包括正規化を組み合わせた頑健で軽量なディープラーニングパイプラインを提案する。 シーケンス・ツー・ワンのモデルでは、平均RMSEは601.9W、MAEは468.9W、精度は84.36%である。
  論文  参考訳（メタデータ） (2025-10-19T16:12:53Z)
• TempSamp-R1: Effective Temporal Sampling with Reinforcement Fine-Tuning for Video LLMs [67.55973229034319]
  本稿では,マルチモーダルな大規模言語モデル(MLLM)をビデオ時間的グラウンド処理に適応させることの有効性向上を目的とした,新しい強化微調整フレームワークであるTempSamp-R1を紹介する。 我々は、TempSamp-R1がGRPOベースのベースラインより優れており、ベンチマークデータセット上で新しい最先端のパフォーマンスを確立していることを示す。
  論文  参考訳（メタデータ） (2025-09-22T17:30:15Z)
• EconProver: Towards More Economical Test-Time Scaling for Automated Theorem Proving [64.15371139980802]
  大規模言語モデル(LLM)は、最近、自動定理証明(ATP)の分野を進歩させた。 ATPモデルに対する異なるテスト時間スケーリング戦略は、推論にかなりの計算オーバーヘッドをもたらすことを示す。 本稿では,統一EconRLパイプラインに統合可能な2つの補完手法を提案する。
  論文  参考訳（メタデータ） (2025-09-16T03:00:13Z)
• LightGTS: A Lightweight General Time Series Forecasting Model [16.133297438792926]
  LightGTSは、一貫した周期的モデリングの観点から設計された軽量な汎用時系列予測モデルである。 ゼロショットとフルショットの両方の設定で、9つの実世界のベンチマークで最先端の予測性能を達成する。
  論文  参考訳（メタデータ） (2025-06-06T11:49:37Z)
• Accelerating RL for LLM Reasoning with Optimal Advantage Regression [52.0792918455501]
  本稿では,最適優位関数を直接近似する新しい2段階ポリシー最適化フレームワークを提案する。 A$*-POは、幅広い数学的推論ベンチマークで競合性能を達成する。 PPO、GRPO、REBELと比較して、トレーニング時間を最大2$times$、ピークメモリ使用率を30%以上削減する。
  論文  参考訳（メタデータ） (2025-05-27T03:58:50Z)
• 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)

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。