論文の概要: Gated Graph Attention Networks for Predicting Duration of Large Scale Power Outages Induced by Natural Disasters

• arxiv url: http://arxiv.org/abs/2603.14069v1
• Date: Sat, 14 Mar 2026 18:24:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.578851
• Title: Gated Graph Attention Networks for Predicting Duration of Large Scale Power Outages Induced by Natural Disasters
• Title（参考訳）: 自然災害による大規模停電の予測のためのグラフ注意ネットワーク
• Authors: Chenghao Duan, Chuanyi Ji, Anwar Walid, Scott Ganz,
• Abstract要約: グラフ注意ネットワーク(GAT)とGRU(Gated Recurrent Unit)を統合し,複雑な空間特性を捉えるグラフベースニューラルネットワークモデルを開発した。 本研究では,米国南東部の6大ハリケーンの大規模停電データを用いて,誘導学習の手法の評価を行った。
• 参考スコア（独自算出の注目度）: 2.1007555385405903
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The occurrence of large-scale power outages induced by natural disasters has been on the rise in a changing climate. Such power outages often last extended durations, causing substantial financial losses and socioeconomic impacts to customers. Accurate estimation of outage duration is thus critical for enhancing the resilience of energy infrastructure under severe weather. We formulate such a task as a machine learning (ML) problem with focus on unique real-world challenges: high-order spatial dependency in the data, a moderate number of large-scale outage events, heterogeneous types of such events, and different impacts in a region within each event. To address these challenges, we develop a Bimodal Gated Graph Attention Network (BiGGAT), a graph-based neural network model, that integrates a Graph Attention Network (GAT) with a Gated Recurrent Unit (GRU) to capture the complex spatial characteristics. We evaluate the approach in a setting of inductive learning, using large-scale power outage data from six major hurricanes in the Southeastern United States. Experimental results demonstrate that BiGGAT achieves a superior performance compared to benchmark models.
• Abstract（参考訳）: 自然災害によって引き起こされた大規模な停電の発生は、変化する気候の上昇に繋がった。 このような停電はしばしば長期にわたって続き、経済的損失と社会経済的影響を顧客に与えた。 したがって、停電期間の正確な推定は、厳しい天候下でのエネルギーインフラのレジリエンスを高めるために重要である。 このようなタスクを機械学習(ML)問題として定式化し、データの高次空間依存性、大規模な停止イベントの適度な数、異種イベントの種類、各イベント内の領域における異なる影響など、ユニークな現実的な課題に焦点をあてる。 これらの課題に対処するため、グラフベースのニューラルネットワークモデルであるBiGGAT(Bimodal Gated Graph Attention Network)を開発し、グラフ注意ネットワーク(GAT)とGRU(Gated Recurrent Unit)を統合し、複雑な空間特性を捉える。 本研究では,米国南東部の6大ハリケーンの大規模停電データを用いて,誘導学習の手法の評価を行った。 実験結果から,BiGGATはベンチマークモデルよりも優れた性能を示した。

関連論文リスト

• FaST: Efficient and Effective Long-Horizon Forecasting for Large-Scale Spatial-Temporal Graphs via Mixture-of-Experts [49.9321870703948]
  既存のモデルは、主に短期水平予測に焦点を当てており、悪名高い計算コストとメモリ消費に悩まされている。 本稿では,長期・大規模STG予測のためのMixture-of-Experts(MoEs)に基づく,効率的かつ効率的なフレームワークであるFaSTを提案する。 まず、計算負担を軽減するための適応型グラフエージェントアテンション機構を提案する。 第2に,従来のフィードフォワードネットワークを Gated Linear Units (GLUs) に置き換えた新しい並列MoEモジュールを提案する。
  論文  参考訳（メタデータ） (2026-01-08T18:00:58Z)
• Predictive Modeling of Power Outages during Extreme Events: Integrating Weather and Socio-Economic Factors [0.4640835690336653]
  本稿では,極端な事象による停電を予測するための新しい学習基盤を提案する。 低確率、高頻度の停止シナリオをターゲットとし、公開データソースから派生した包括的な機能セットを活用する。 4つの機械学習モデル(Random Forest (RF), Support Vector Machine (SVM), Adaptive Boosting (AdaBoost), Long Short-Term Memory (LSTM))を評価した。
  論文  参考訳（メタデータ） (2025-12-27T20:30:07Z)
• Graph Attention Network for Predicting Duration of Large-Scale Power Outages Induced by Natural Disasters [0.0]
  本稿では,GTA(Graph Attention Networks)による重症気象による停電期間を推定する新しい手法を提案する。 我々のネットワークは、教師なし事前訓練から半教師付き学習までの単純な構造を用いており、米国南東部の8州で501ドルの郡に影響を及ぼす4つの主要なハリケーンのフィールドデータを用いています。
  論文  参考訳（メタデータ） (2025-11-14T02:21:30Z)
• Predicting Large-scale Urban Network Dynamics with Energy-informed Graph Neural Diffusion [51.198001060683296]
  ネットワーク化された都市システムは人、資源、サービスのフローを促進する。 グラフニューラルネットワークのような現在のモデルは、将来性を示しているが、有効性と効率性のトレードオフに直面している。 本論文は,本質的なモデル設計を伝えるための物理法則からインスピレーションを得て,このトレードオフに対処する。
  論文  参考訳（メタデータ） (2025-07-31T01:24:01Z)
• ScaleGNN: Towards Scalable Graph Neural Networks via Adaptive High-order Neighboring Feature Fusion [73.85920403511706]
  スケーラブルで効果的なグラフ学習のためのマルチホップノード機能を適応的に融合する新しいフレームワークであるScaleGNNを提案する。 予測精度と計算効率の両面で,ScaleGNNは最先端のGNNよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-22T14:05:11Z)
• Federated Continual Graph Learning [8.153988353023745]
  進化しているグラフデータを管理することは、ストレージとプライバシにおいて重大な課題を示し、そのようなデータ上でグラフニューラルネットワーク(GNN)をトレーニングすることは、しばしば破滅的な忘れ込み、以前のタスクのパフォーマンスを損なう。 我々は、記憶とプライバシーの制約の下で、複数の進化するグラフにGNNを適用するために、FCGL(Federated Continual Graph Learning)を提案する。 我々の実証的研究は、新しいタスクに適応する際にクライアントが事前知識を失うようなローカルグラフの忘れ(LGF)と、グローバルなGNNが新しいタスクに適応して古いタスクを維持する際に、サブ最適パフォーマンスを示すグローバルな専門知識紛争(GEC)の2つの主要な課題を強調しています。
  論文  参考訳（メタデータ） (2024-11-28T05:15:47Z)
• Spatially Regularized Graph Attention Autoencoder Framework for Detecting Rainfall Extremes [2.273531916003657]
  1990年から2015年までのインドにおける降雨データにおけるスケーラブルな異常検出の課題に対処するために,空間正規化を備えたグラフ注意自動符号化(GAE)を導入している。 我々の研究は、気候科学における高度な時間的異常検出手法の道のりを開拓し、より良い気候準備と応答戦略に寄与する。
  論文  参考訳（メタデータ） (2024-11-12T12:24:48Z)
• Correlating Power Outage Spread with Infrastructure Interdependencies During Hurricanes [5.2878398959711985]
  本研究では, 臨界インフラのネットワークと停電伝播の関係を解析し, ハリケーン時の停電の広がりについて検討した。 分析の結果,いくつかのステップでアクセス可能な重要なインフラストラクチャコンポーネントの量との間には,一貫した正の相関関係が明らかとなった。 この知見は、重要なインフラ要素間の相互接続性を理解することが、極端な気象事象によって間接的に影響を受ける領域を特定する上で重要であることを示唆している。
  論文  参考訳（メタデータ） (2024-07-13T18:05:07Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• Multi-head Temporal Attention-Augmented Bilinear Network for Financial time series prediction [77.57991021445959]
  本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。 本手法の有効性を,大規模書籍市場データを用いて検証した。
  論文  参考訳（メタデータ） (2022-01-14T14:02:19Z)
• Efficient Dynamic Graph Representation Learning at Scale [66.62859857734104]
  本稿では,学習損失による時間依存性を選択的に表現し,計算の並列性を改善するための効率的な動的グラフ lEarning (EDGE) を提案する。 EDGEは、数百万のノードと数億の時間的イベントを持つ動的グラフにスケールでき、新しい最先端(SOTA)パフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2021-12-14T22:24:53Z)

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。