論文の概要: Benchmarking State Space Models, Transformers, and Recurrent Networks for US Grid Forecasting
- arxiv url: http://arxiv.org/abs/2602.21415v1
- Date: Tue, 24 Feb 2026 22:42:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-26 18:19:16.627897
- Title: Benchmarking State Space Models, Transformers, and Recurrent Networks for US Grid Forecasting
- Title（参考訳）: USグリッド予測のための状態空間モデル、トランスフォーマー、リカレントネットワークのベンチマーク
- Authors: Sunki Hong, Jisoo Lee, Yuanyuan Shi,
- Abstract要約: 本稿では,電力グリッド予測のための5つの最新のニューラルネットワークアーキテクチャのベンチマークを示す。
我々は、これらのモデルについて、24時間から168時間の間、アメリカの6つの電力網で時間ごとの電力需要に基づいて評価した。
結果から,全ての状況に最適なモデルが存在しないことが明らかとなった。
- 参考スコア（独自算出の注目度）: 7.704162341156194
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Selecting the right deep learning model for power grid forecasting is challenging, as performance heavily depends on the data available to the operator. This paper presents a comprehensive benchmark of five modern neural architectures: two state space models (PowerMamba, S-Mamba), two Transformers (iTransformer, PatchTST), and a traditional LSTM. We evaluate these models on hourly electricity demand across six diverse US power grids for forecast windows between 24 and 168 hours. To ensure a fair comparison, we adapt each model with specialized temporal processing and a modular layer that cleanly integrates weather covariates. Our results reveal that there is no single best model for all situations. When forecasting using only historical load, PatchTST and the state space models provide the highest accuracy. However, when explicit weather data is added to the inputs, the rankings reverse: iTransformer improves its accuracy three times more efficiently than PatchTST. By controlling for model size, we confirm that this advantage stems from the architecture's inherent ability to mix information across different variables. Extending our evaluation to solar generation, wind power, and wholesale prices further demonstrates that model rankings depend on the forecast task: PatchTST excels on highly rhythmic signals like solar, while state space models are better suited for the chaotic fluctuations of wind and price. Ultimately, this benchmark provides grid operators with actionable guidelines for selecting the optimal forecasting architecture based on their specific data environments.
- Abstract（参考訳）: 電力グリッド予測のための適切なディープラーニングモデルを選択することは難しい。
本稿では,2つの状態空間モデル (PowerMamba, S-Mamba) と2つのトランスフォーマー (iTransformer, PatchTST) と従来のLSTMである。
我々は、これらのモデルについて、24時間から168時間の間、アメリカの6つの電力網で時間ごとの電力需要に基づいて評価した。
公平な比較を確保するため,各モデルに特別な時間的処理と,天気変動をきれいに統合するモジュール層を適用した。
結果から,全ての状況に最適なモデルが存在しないことが明らかとなった。
履歴負荷のみを使用して予測する場合、PatchTSTとステートスペースモデルが最も精度が高い。
しかし、入力に明示的な天気データを追加すると、ランクが逆になる: iTransformerはPatchTSTの3倍の精度を向上する。
モデルサイズを制御することによって、この利点は、異なる変数間で情報を混合するアーキテクチャ固有の能力に由来することを確認します。
PatchTSTは太陽のような高度にリズミカルな信号に優れており、州の宇宙モデルは風と価格のカオス的な変動に適している。
最終的に、このベンチマークはグリッド演算子に、特定のデータ環境に基づいて最適な予測アーキテクチャを選択するための実行可能なガイドラインを提供する。
関連論文リスト
- LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。
本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。
本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
論文 参考訳（メタデータ） (2026-01-18T12:08:38Z) - Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。
微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。
モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
論文 参考訳（メタデータ） (2025-09-28T07:07:13Z) - Output Scaling: YingLong-Delayed Chain of Thought in a Large Pretrained Time Series Forecasting Model [55.25659103706409]
このフレームワークは,設計した基盤モデルであるYingLongの最先端性能を実現する。
YingLongは、マスク付きトークンリカバリによってトレーニングされた非因果的双方向アテンションエンコーダのみのトランスフォーマーである。
我々は、6Mから3Mパラメータの4つの基礎モデルをリリースし、ゼロショットタスクにおいて優れた結果を示す。
論文 参考訳（メタデータ） (2025-05-20T14:31:06Z) - Towards Accurate Forecasting of Renewable Energy : Building Datasets and Benchmarking Machine Learning Models for Solar and Wind Power in France [1.2289361708127877]
本研究は、フランスの国規模で太陽光発電と風力発電を予測するための総合的な方法論を提案する。
2012年から2023年にかけて、RTEから毎日の電力生産データを使用してデータセットが構築されている。
空間的に解決された気象データを扱うための3つのモデリング手法について検討した。
論文 参考訳（メタデータ） (2025-04-14T15:30:54Z) - Powerformer: A Transformer with Weighted Causal Attention for Time-series Forecasting [50.298817606660826]
我々は,非因果重みをスムーズな重み付き崩壊に応じて再加重する因果重みに置き換える新しいトランスフォーマーであるPowerformerを紹介する。
我々の実証実験の結果,Powerformer は公開時系列ベンチマークで最先端の精度を達成できた。
分析の結果、トレーニング中にモデルの局所性バイアスが増幅され、時系列データとパワールールに基づく注意の相互作用が示されることがわかった。
論文 参考訳（メタデータ） (2025-02-10T04:42:11Z) - GC-GRU-N for Traffic Prediction using Loop Detector Data [5.735035463793008]
シアトルのループ検出器のデータを15分以上収集し、その問題を時空で再現する。
モデルは、最速の推論時間と非常に近いパフォーマンスで第2位(トランスフォーマー)。
論文 参考訳（メタデータ） (2022-11-13T06:32:28Z) - Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。
我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。
最適設計と性能は場所によって異なることがわかった。
論文 参考訳（メタデータ） (2022-04-01T14:55:10Z) - Real-Time Forecasting of Dockless Scooter-Sharing Demand: A
Spatio-Temporal Multi-Graph Transformer Approach [5.6973480878880824]
本稿では,S-TMGT (S-Temporal Multi-Graph Transformer) という新しいディープラーニングアーキテクチャを提案する。
提案したモデルは、マイクロモビリティーオペレーターが最適な車両再バランススキームを開発し、ドックレススクーターシェアリングオペレーションをよりよく管理するために都市を案内するのに役立つ。
論文 参考訳（メタデータ） (2021-11-02T03:48:48Z) - Multistream Graph Attention Networks for Wind Speed Forecasting [4.644923443649426]
本稿では,グラフ注意ネットワーク(GAT)に基づく風速予測の新しいモデルを提案する。
特に,提案モデルでは,学習可能な隣接行列を用いてGATアーキテクチャを拡張した。
風速予測に用いた従来のアーキテクチャと比較して,提案手法は気象データの複雑な入出力関係をよりよく学習できることを示す。
論文 参考訳（メタデータ） (2021-08-16T12:58:26Z) - TENT: Tensorized Encoder Transformer for Temperature Forecasting [3.498371632913735]
天気予報のためのトランスフォーマーアーキテクチャに基づく新しいモデルを提案する。
元の変換器と3D畳み込みニューラルネットワークと比較して、提案したTENTモデルは、気象データの基本となる複雑なパターンをより良くモデル化できることを示す。
2つの実生活気象データセットの実験を行う。
論文 参考訳（メタデータ） (2021-06-28T14:17:22Z)
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。