論文の概要: Improving Spatial Allocation for Energy System Coupling with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2602.22249v1
• Date: Tue, 24 Feb 2026 19:53:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.325415
• Title: Improving Spatial Allocation for Energy System Coupling with Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いたエネルギーシステムの空間配置改善
• Authors: Xuanhao Mu, Jakob Geiges, Nan Liu, Thorsten Schlachter, Veit Hagenmeyer,
• Abstract要約: 本稿では,自己教師型ヘテロジニアスグラフニューラルネットワークを用いた革新的な手法を提案する。 本手法は,高分解能な地理単位をグラフノードとしてモデル化し,様々な地理的特徴を統合することにより,格子点ごとに物理的に意味のある重みを生成する。 実験により, この手法により生成された重みをクラスタベースのボロノイ図に適用することにより, スケーラビリティ, 精度, 物理的妥当性が著しく向上することが示された。
• 参考スコア（独自算出の注目度）: 1.9140324483646127
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In energy system analysis, coupling models with mismatched spatial resolutions is a significant challenge. A common solution is assigning weights to high-resolution geographic units for aggregation, but traditional models are limited by using only a single geospatial attribute. This paper presents an innovative method employing a self-supervised Heterogeneous Graph Neural Network to address this issue. This method models high-resolution geographic units as graph nodes, integrating various geographical features to generate physically meaningful weights for each grid point. These weights enhance the conventional Voronoi-based allocation method, allowing it to go beyond simply geographic proximity by incorporating essential geographic information.In addition, the self-supervised learning paradigm overcomes the lack of accurate ground-truth data. Experimental results demonstrate that applying weights generated by this method to cluster-based Voronoi Diagrams significantly enhances scalability, accuracy, and physical plausibility, while increasing precision compared to traditional methods.
• Abstract（参考訳）: エネルギー系解析において、空間分解能のミスマッチによる結合モデルは重要な課題である。 一般的な解決策は、重み付けを高分解能な地理単位にアグリゲーションを割り当てることであるが、伝統的なモデルは単一の地理空間属性のみを使用することで制限される。 本稿では,この問題に対処するために,自己教師付き不均一グラフニューラルネットワークを用いた革新的な手法を提案する。 本手法は,高分解能な地理単位をグラフノードとしてモデル化し,様々な地理的特徴を統合することにより,格子点ごとに物理的に意味のある重みを生成する。 これらの重み付けにより従来のボロノイ型割当法が強化され,本質的な地理的情報を組み込むことで,地理的近接を超越し,また,自己教師型学習パラダイムは,正確な地平データの欠如を克服する。 実験により,本手法により生成された重みをクラスタベースのボロノイ図に適用すると,従来の手法に比べて精度が高く,スケーラビリティ,精度,物理的妥当性が著しく向上することが示された。

関連論文リスト

• Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
  この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。 グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。 Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2025-09-02T22:17:25Z)
• Hierarchical Graph Attention Network for No-Reference Omnidirectional Image Quality Assessment [21.897948374713163]
  現在のOIQA(Omnidirectional Image Quality Assessment)法は,局所的な非一様歪みの評価に苦慮している。 本稿では,ビューポート間の構造関係を明示的にモデル化するグラフニューラルネットワークを用いたOIQAフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-13T14:25:24Z)
• Artificial Geographically Weighted Neural Network: A Novel Framework for Spatial Analysis with Geographically Weighted Layers [0.0]
  AGWNNは、複雑な非線形空間関係を捉えるために、地理的に重み付けされた技術とニューラルネットワークを統合する新しいフレームワークである。 AGWNNの性能を厳格に評価するために、シミュレーションデータセットと実世界のケーススタディの両方を用いて包括的な実験を行った。
  論文  参考訳（メタデータ） (2025-04-01T01:48:46Z)
• GeoAggregator: An Efficient Transformer Model for Geo-Spatial Tabular Data [5.40483645224129]
  本稿では地理空間データモデリングのための効率的かつ軽量なアルゴリズムGeoAggregatorを紹介する。 我々は、空間統計モデル、XGBoost、およびいくつかの最先端地理空間深層学習法と比較した。 その結果、GeoAggregatorsは、ほぼすべてのデータセットで競合相手と比較して、ベストまたはセカンドベストのパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2025-02-20T20:39:15Z)
• An Attention-Based Algorithm for Gravity Adaptation Zone Calibration [2.919933798918053]
  本稿では,重力適応領域キャリブレーションのためのアテンション強化アルゴリズムを提案する。 従来の特徴選択法に固有の多重線型性と冗長性の問題に対処する。 キャリブレーション精度とロバスト性を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-10-06T12:03:13Z)
• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• GeoWizard: Unleashing the Diffusion Priors for 3D Geometry Estimation from a Single Image [94.56927147492738]
  単一画像から幾何学的属性を推定するための新しい生成基盤モデルであるGeoWizardを紹介する。 拡散前処理の活用は,資源利用における一般化,詳細な保存,効率性を著しく向上させることが示唆された。 本稿では,様々なシーンの複雑なデータ分布を,個別のサブディストリビューションに分離する,シンプルかつ効果的な戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-18T17:50:41Z)
• An Ensemble Framework for Explainable Geospatial Machine Learning Models [16.010404125829876]
  GeoShapleyメソッドは、機械学習(ML)とShapley値を統合し、地理的特徴の寄与を説明する。 ここでは,このギャップを埋めるために,局所空間重み付け方式をXAIとML技術と組み合わせるためのアンサンブルフレームワークを提案する。 このフレームワークは地理的回帰と分類の両方で機能し、複雑な空間現象を理解するための新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2024-03-05T21:12:10Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)

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。