論文の概要: Cloud-Edge Collaborative Large Models for Robust Photovoltaic Power Forecasting

• arxiv url: http://arxiv.org/abs/2603.22343v1
• Date: Sat, 21 Mar 2026 20:09:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.081608
• Title: Cloud-Edge Collaborative Large Models for Robust Photovoltaic Power Forecasting
• Title（参考訳）: ロバストな太陽光発電電力予測のためのクラウドエッジ協調型大規模モデル
• Authors: Nan Qiao, Sijing Duan, Shuning Wang, Xingyuan Hua, Ju Ren,
• Abstract要約: 本稿では、レイテンシに敏感なPV予測のためのリスク対応クラウド-エッジ協調フレームワークを提案する。 このフレームワークは、ルーチンケースのためのサイト固有のエキスパート予測器、ローカル推論を強化する軽量エッジサイドモデル、クラウドサイドの大規模検索モデルを統合する。 2つの実世界のPVデータセットの実験は、予測精度、ルーティング品質、ロバスト性、システム効率の間で、好ましい全体的なトレードオフを示している。
• 参考スコア（独自算出の注目度）: 10.625999657564982
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Photovoltaic (PV) power forecasting in edge-enabled grids requires balancing forecasting accuracy, robustness under weather-driven distribution shifts, and strict latency constraints. Local specialized models are efficient for routine conditions but often degrade under rare ramp events and unseen weather patterns, whereas always relying on cloud-side large models incurs substantial communication delay and cloud overhead. To address this challenge, we propose a risk-aware cloud-edge collaborative framework for latency-sensitive PV forecasting. The framework integrates a site-specific expert predictor for routine cases, a lightweight edge-side model for enhanced local inference, and a cloud-side large retrieval model that provides matched historical context when needed through a retrieval-prediction pipeline. A lightweight screening module estimates predictive uncertainty, out-of-distribution risk, weather mutation intensity, and model disagreement, while a Lyapunov-guided router selectively escalates inference to the edge-small or cloud-assisted branches under long-term latency, communication, and cloud-usage constraints. The outputs of the activated branches are combined through adaptive fusion. Experiments on two real-world PV datasets demonstrate a favorable overall trade-off among forecasting accuracy, routing quality, robustness, and system efficiency.
• Abstract（参考訳）: エッジ対応グリッドにおける太陽光発電(PV)電力予測には、予測精度、気象駆動分布シフト時の堅牢性、厳密なレイテンシ制約のバランスが必要である。 局所的な特化モデルは通常の状況では効率的だが、稀なランプイベントや目に見えない気象パターンの下では劣化することが多い。 この課題に対処するために,レイテンシに敏感なPV予測のためのリスク対応クラウドエッジ協調フレームワークを提案する。 このフレームワークは、日常的なケースのためのサイト固有のエキスパート予測器、ローカル推論を強化する軽量エッジサイドモデル、および検索予測パイプラインを通じて必要に応じてマッチした履歴コンテキストを提供するクラウドサイドの大規模検索モデルを統合する。 軽量スクリーニングモジュールは、予測の不確実性、アウト・オブ・ディストリビューションリスク、天気変化強度、モデル不一致を推定する一方、リアプノフ誘導ルータは、長期のレイテンシ、通信、クラウド利用制限の下で、エッジ小またはクラウド支援ブランチへの推論を選択的にエスカレートする。 活性化枝の出力は適応融合によって結合される。 2つの実世界のPVデータセットの実験は、予測精度、ルーティング品質、ロバスト性、システム効率の間で、好ましい全体的なトレードオフを示している。

関連論文リスト

• Extreme Weather Nowcasting via Local Precipitation Pattern Prediction [6.992919908851609]
  ExPreCastは、詳細なレーダ予測を生成するための効率的な決定論的フレームワークである。 我々の手法は最先端の性能を実現し、通常の降雨体制と極端な降雨体制の両方で正確で信頼性の高い流星を届ける。
  論文  参考訳（メタデータ） (2026-02-05T01:55:14Z)
• Structured Noise Modeling for Enhanced Time-Series Forecasting [0.0]
  本研究は、構造的ノイズモデリングによる時間的忠実度を改善する予測ブルーデノエーズフレームワークを導入する。 電気、交通、太陽のデータセットにわたる実験は、マルチ水平精度と安定性において一貫した利得を示している。 このフレームワークは、エネルギー、インフラストラクチャ、その他の時間クリティカルドメインにわたる予測駆動決定サポートに使用される、より信頼性の高いAIシステムに寄与する。
  論文  参考訳（メタデータ） (2025-11-24T19:44:46Z)
• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• Scaling transformer neural networks for skillful and reliable medium-range weather forecasting [23.249955524044392]
  本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。 Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。 ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
  論文  参考訳（メタデータ） (2023-12-06T19:46:06Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。