論文の概要: Empowering Power Outage Prediction with Spatially Aware Hybrid Graph Neural Networks and Contrastive Learning

• arxiv url: http://arxiv.org/abs/2604.04916v1
• Date: Mon, 06 Apr 2026 17:56:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.328577
• Title: Empowering Power Outage Prediction with Spatially Aware Hybrid Graph Neural Networks and Contrastive Learning
• Title（参考訳）: 空間認識型ハイブリッドグラフニューラルネットワークとコントラスト学習による停電予測
• Authors: Xuyang Shen, Zijie Pan, Diego Cerrai, Xinxuan Zhang, Christopher Colorio, Emmanouil N. Anagnostou, Dongjin Song,
• Abstract要約: 激しい嵐、ハリケーン、吹雪、氷嵐などの極度の気象現象は、しばしば大規模な停電を引き起こす。 これらの停電は産業の運営を停止させ、地域社会に影響を与え、重要なインフラを損傷させ、経済を著しく破壊し、様々な分野にわたって広範囲に影響を及ぼす。 コネチカット大学とエバーソースエネルギーセンターは、このような気象現象が起こる前に、配電網のプリエンプティブ予測を提供する、停電予測モデリング(OPM)システムを開発した。 我々は、極端気象による停電に対するOPM予測を強化するために、コントラスト学習を用いた空間認識型ハイブリッドグラフニューラルネットワーク(SA-HGNN)を開発した。
• 参考スコア（独自算出の注目度）: 16.441576104000724
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Extreme weather events, such as severe storms, hurricanes, snowstorms, and ice storms, which are exacerbated by climate change, frequently cause widespread power outages. These outages halt industrial operations, impact communities, damage critical infrastructure, profoundly disrupt economies, and have far-reaching effects across various sectors. To mitigate these effects, the University of Connecticut and Eversource Energy Center have developed an outage prediction modeling (OPM) system to provide pre-emptive forecasts for electric distribution networks before such weather events occur. However, existing predictive models in the system do not incorporate the spatial effect of extreme weather events. To this end, we develop Spatially Aware Hybrid Graph Neural Networks (SA-HGNN) with contrastive learning to enhance the OPM predictions for extreme weather-induced power outages. Specifically, we first encode spatial relationships of both static features (e.g., land cover, infrastructure) and event-specific dynamic features (e.g., wind speed, precipitation) via Spatially Aware Hybrid Graph Neural Networks (SA-HGNN). Next, we leverage contrastive learning to handle the imbalance problem associated with different types of extreme weather events and generate location-specific embeddings by minimizing intra-event distances between similar locations while maximizing inter-event distances across all locations. Thorough empirical studies in four utility service territories, i.e., Connecticut, Western Massachusetts, Eastern Massachusetts, and New Hampshire, demonstrate that SA-HGNN can achieve state-of-the-art performance for power outage prediction.
• Abstract（参考訳）: 激しい嵐、ハリケーン、吹雪、氷嵐などの極度の気象現象は、気候変動によって悪化し、しばしば大規模な停電を引き起こす。 これらの停電は産業の運営を停止させ、地域社会に影響を与え、重要なインフラを損傷させ、経済を著しく破壊し、様々な分野にわたって広範囲に影響を及ぼす。 これらの影響を軽減するため、コネチカット大学とエバーソースエネルギーセンターは、このような気象現象が起こる前に、配電網のプリエンプティブ予測を提供する、停電予測モデリング(OPM)システムを開発した。 しかし、システム内の既存の予測モデルは、極端な気象事象の空間効果を含まない。 この目的のために、極端気象による停電に対するOPM予測を強化するために、コントラスト学習を伴う空間認識ハイブリッドグラフニューラルネットワーク(SA-HGNN)を開発した。 具体的には,Spatially Aware Hybrid Graph Neural Networks (SA-HGNN) を通じて,静的特徴(例えば,土地被覆,インフラ)とイベント固有の動的特徴(例えば,風速,降水量)の空間的関係をまずエンコードする。 次に、コントラスト学習を利用して、異なる種類の極端な気象事象に関連する不均衡問題に対処し、類似した位置間の空間内距離を最小化しつつ、すべての場所をまたがる空間間距離を最大化することにより、位置特異的な埋め込みを生成する。 コネチカット州、マサチューセッツ州西部、マサチューセッツ州東部、ニューハンプシャー州の4つの公共事業領域における実証研究は、SA-HGNNが停電予測のために最先端のパフォーマンスを達成できることを実証している。

関連論文リスト

• Gated Graph Attention Networks for Predicting Duration of Large Scale Power Outages Induced by Natural Disasters [2.1007555385405903]
  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。
  論文  参考訳（メタデータ） (2026-03-14T18:24:24Z)
• WED-Net: A Weather-Effect Disentanglement Network with Causal Augmentation for Urban Flow Prediction [6.501741558388336]
  極端な条件下での都市流れの時間予測は、事象のダイナミクスと希少性のために困難である。 WED-Net(Weather-entanglement Network)は,固有気象と交通パターンを分離した2分岐トランスフォーマアーキテクチャである。 We show WED-Net delivers robust performance under extreme weather conditions。
  論文  参考訳（メタデータ） (2026-01-30T05:32:47Z)
• 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)
• Graph Neural Networks for Enhancing Ensemble Forecasts of Extreme Rainfall [12.89512966027616]
  気候変動は極端な降水現象の発生を増大させ、インフラ、農業、公共の安全を脅かしている。 我々のフレームワークはグラフニューラルネットワークを利用してアンサンブル予測を後処理し、特に基礎となる分布の極端をモデル化する。 これにより、空間的依存関係を捕捉し、極端なイベントの予測精度を改善し、より信頼性の高い予測と、極端な降水と洪水のリスクを軽減することができる。
  論文  参考訳（メタデータ） (2025-04-07T20:01:55Z)
• 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)
• Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
  都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。 我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。 将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
  論文  参考訳（メタデータ） (2024-04-08T09:13:16Z)
• Skilful Precipitation Nowcasting Using NowcastNet [0.0]
  降水今流しは、農業、輸送、公衆衛生、安全等に影響を及ぼすような事態に備えるのに役立ちます。 我々は最近提案した,物理条件の深い生成ネットワークである NowcastNet を用いて,衛星画像を用いたヨーロッパ各地の降水量の予測を行った。
  論文  参考訳（メタデータ） (2023-11-29T11:24:52Z)
• Typhoon Intensity Prediction with Vision Transformer [51.84456610977905]
  台風強度を正確に予測するために「台風強度変換器(Tint)」を導入する。 Tintは、層ごとにグローバルな受容野を持つ自己認識機構を使用する。 公開されている台風ベンチマークの実験は、Tintの有効性を検証する。
  論文  参考訳（メタデータ） (2023-11-28T03:11:33Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)

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。