論文の概要: From ARIMA to Attention: Power Load Forecasting Using Temporal Deep Learning

• arxiv url: http://arxiv.org/abs/2603.06622v1
• Date: Sat, 21 Feb 2026 10:51:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-15 16:38:22.447252
• Title: From ARIMA to Attention: Power Load Forecasting Using Temporal Deep Learning
• Title（参考訳）: ARIMAから注意:時間的深層学習を用いた電力負荷予測
• Authors: Suhasnadh Reddy Veluru, Sai Teja Erukude, Viswa Chaitanya Marella,
• Abstract要約: 本稿では,従来の統計モデルと,短期エネルギー負荷予測のためのディープラーニング手法の実証評価を行う。 ARIMA、LSTM、BiLSTM、Transformerの4つのモデルがPJM Hourly Energy Consumptionデータに利用された。 トランスフォーマーモデルは自己認識アルゴリズムに依存しており、MAPEの3.8%で最良の結果を生み出した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate short-term power load forecasting is important to effectively manage, optimize, and ensure the robustness of modern power systems. This paper performs an empirical evaluation of a traditional statistical model and deep learning approaches for predicting short-term energy load. Four models, namely ARIMA, LSTM, BiLSTM, and Transformer, were leveraged on the PJM Hourly Energy Consumption data. The data processing involved interpolation, normalization, and a sliding-window sequence method. Each model's forecasting performance was evaluated for the 24-hour horizon using MAE, RMSE, and MAPE. Of the models tested, the Transformer model, which relies on self-attention algorithms, produced the best results with 3.8 percent of MAPE, with performance above any model in both accuracy and robustness. These findings underscore the growing potential of attention-based architectures in accurately capturing complex temporal patterns in power consumption data.
• Abstract（参考訳）: 最新の電力系統のロバスト性を効果的に管理し、最適化し、確保するためには、正確な短期電力負荷予測が重要である。 本稿では,従来の統計モデルと,短期エネルギー負荷予測のためのディープラーニング手法の実証評価を行う。 ARIMA、LSTM、BiLSTM、Transformerの4つのモデルがPJM Hourly Energy Consumptionデータに利用された。 データ処理には補間、正規化、スライディングウインドウシーケンス法が含まれていた。 各モデルの予測性能を,MAE,RMSE,MAPEを用いて24時間水平線上で評価した。 テストされたモデルのうち、トランスフォーマーモデルは自己認識アルゴリズムに依存しており、MAPEの3.8%で最高の結果をもたらし、精度と堅牢性の両方でどのモデルよりも性能が高かった。 これらの知見は、電力消費データにおける複雑な時間的パターンを正確に捉えることにおける注意に基づくアーキテクチャの可能性の増大を浮き彫りにしている。

関連論文リスト

• Forecasting Energy Consumption using Recurrent Neural Networks: A Comparative Analysis [0.0]
  本稿では、リカレントニューラルネットワーク(RNN)とその高度な変種LSTM(Long Short-Term Memory)ネットワークに基づく予測手法を提案する。 本手法は, 過去のエネルギー消費データを, 温度, 湿度, 時間に基づく特徴を含む外部変数と統合する。 実験結果から,LSTMモデルは平均絶対誤差 (MAE) とルート平均正方形誤差 (RMSE) をほぼ上回っていることがわかった。
  論文  参考訳（メタデータ） (2026-01-23T18:14:53Z)
• Information Capacity: Evaluating the Efficiency of Large Language Models via Text Compression [53.39128997308138]
  テキスト圧縮性能に基づくモデル効率の指標である情報容量を導入する。 主流のオープンソースモデルに対する実証的な評価は、シリーズ内のさまざまなサイズのモデルが一貫した情報容量を示すことを示している。 情報容量の特徴的な特徴は、入力と出力の両方のトークン数に影響を与えるトークン化効率が組み込まれていることである。
  論文  参考訳（メタデータ） (2025-11-11T10:07:32Z)
• Time Series Forecasting Using a Hybrid Deep Learning Method: A Bi-LSTM Embedding Denoising Auto Encoder Transformer [0.0]
  本研究では,BI-LSTM埋め込み型自動エンコーダモデル(BDM)を提案する。 提案モデルの性能をTransformer, CNN, RNN, LSTM, GRUなどのベンチマークモデルと比較することにより評価した。
  論文  参考訳（メタデータ） (2025-09-21T17:16:32Z)
• A Hybrid PCA-PR-Seq2Seq-Adam-LSTM Framework for Time-Series Power Outage Prediction [5.657115189763182]
  本稿では,PCA-PR-Seq2Seq-Adam-LSTMと呼ばれるハイブリッドディープラーニングフレームワークを提案する。 主成分分析(PCA)、Poisson Regression(PR)、Sequence-to-Sequence(Seq2Seq)アーキテクチャ、Adam-Optimized LSTMを統合している。 その結果,提案手法は既存手法と比較して予測精度とロバスト性を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2025-09-20T17:13:25Z)
• Probabilistic Forecasting for Building Energy Systems using Time-Series Foundation Models [20.57107693396709]
  エネルギーシステムの構築は、関連する時系列モデルの予測精度に依存する。 本稿では,建築エネルギー予測における時系列基礎モデル(TSFM)の適用性と微調整戦略について検討する。
  論文  参考訳（メタデータ） (2025-05-31T16:38:29Z)
• EfficientLLM: Efficiency in Large Language Models [64.3537131208038]
  大規模言語モデル(LLM)は大きな進歩を導いてきたが、その増加とコンテキストウィンドウは計算、エネルギー、金銭的コストを禁止している。 本稿では,新しいベンチマークであるEfficientLLMを紹介する。
  論文  参考訳（メタデータ） (2025-05-20T02:27:08Z)
• 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)
• A comparative assessment of deep learning models for day-ahead load forecasting: Investigating key accuracy drivers [2.572906392867547]
  短期負荷予測(STLF)は電力グリッドとエネルギー市場の効果的かつ経済的な運用に不可欠である。 STLFの文献ではいくつかのディープラーニングモデルが提案されており、有望な結果を報告している。
  論文  参考訳（メタデータ） (2023-02-23T17:11:04Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)

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。