論文の概要: Explainable Load Forecasting with Covariate-Informed Time Series Foundation Models

• arxiv url: http://arxiv.org/abs/2604.28149v1
• Date: Thu, 30 Apr 2026 17:36:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.229094
• Title: Explainable Load Forecasting with Covariate-Informed Time Series Foundation Models
• Title（参考訳）: Covariate-Informed Time Series Foundation Modelによる説明可能な負荷予測
• Authors: Matthias Hertel, Alexandra Nikoltchovska, Sebastian Pütz, Ralf Mikut, Benjamin Schäfer, Veit Hagenmeyer,
• Abstract要約: Time Series Foundation Models (TSFMs) は、最近汎用予測モデルとして登場した。 そこで本研究では,これらのモデルに適したShapley Additive Explanations (SHAP) の効率的な計算アルゴリズムを提案する。 我々は、TSFMが運用エネルギー予測のための透明で信頼性の高いツールとして機能できることを実証した。
• 参考スコア（独自算出の注目度）: 38.33974575909916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time Series Foundation Models (TSFMs) have recently emerged as general-purpose forecasting models and show considerable potential for applications in energy systems. However, applications in critical infrastructure like power grids require transparency to ensure trust and reliability and cannot rely on pure black-box models. To enhance the transparency of TSFMs, we propose an efficient algorithm for computing Shapley Additive Explanations (SHAP) tailored to these models. The proposed approach leverages the flexibility of TSFMs with respect to input context length and provided covariates. This property enables efficient temporal and covariate masking (selectively withholding inputs), allowing for a scalable explanation of model predictions using SHAP. We evaluate two TSFMs - Chronos-2 and TabPFN-TS - on a day-ahead load forecasting task for a transmission system operator (TSO). In a zero-shot setting, both models achieve predictive performance competitive with a Transformer model trained specifically on multiple years of TSO data. The explanations obtained through our proposed approach align with established domain knowledge, particularly as the TSFMs appropriately use weather and calendar information for load prediction. Overall, we demonstrate that TSFMs can serve as transparent and reliable tools for operational energy forecasting.
• Abstract（参考訳）: 時系列基礎モデル(TSFM)は、最近汎用予測モデルとして登場し、エネルギーシステムにおける応用の可能性を示している。 しかし、電力網のような重要なインフラにおけるアプリケーションは、信頼性と信頼性を確保するために透明性を必要とし、純粋なブラックボックスモデルに依存しない。 TSFMの透明性を高めるため,これらのモデルに適したShapley Additive Explanations (SHAP) の効率的な計算アルゴリズムを提案する。 提案手法は、入力コンテキスト長に対するTSFMの柔軟性を活用し、共変量を提供する。 この特性は、効率的な時間的および共変量マスキング(選択的に入力を控える)を可能にし、SHAPを用いたモデル予測のスケーラブルな説明を可能にする。 送信システムオペレーター(TSO)の日頭負荷予測タスクにおいて,Chronos-2とTabPFN-TSの2つのTSFMを評価する。 ゼロショット設定では、どちらのモデルも、数年のTSOデータに特化して訓練されたTransformerモデルと競合する予測性能を達成する。 提案手法により得られた説明は,特にTSFMが気象情報やカレンダー情報を負荷予測に適切に利用するなど,確立したドメイン知識と一致している。 全体として、TSFMは、運用エネルギー予測のための透明で信頼性の高いツールとして機能することを示す。

関連論文リスト

• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• TFMAdapter: Lightweight Instance-Level Adaptation of Foundation Models for Forecasting with Covariates [21.978694988304692]
  時系列基礎モデル(TSFM)は、最近、新しい時系列の単変量予測において最先端のパフォーマンスを達成した。 我々は,TSFMを微調整なしで共変情報で拡張する,軽量なインスタンスレベルのアダプタであるFMAdapterを提案する。 実世界のデータセットに関する大規模な実験は、FMAdapterがファンデーションモデルと教師付きベースラインの両方を一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-09-17T11:13:14Z)
• WindFM: An Open-Source Foundation Model for Zero-Shot Wind Power Forecasting [18.100611997642257]
  本稿では,風力発電予測のための軽量かつ生成的基礎モデルであるWindFMを紹介する。 WindFMは、これらのトークンシーケンスを自己回帰的に事前学習することで、風力発電のダイナミクスの普遍的な表現を学習する。 本実験は,WindFMが決定的タスクと確率的タスクの両方において,最先端のゼロショット性能を実現することを示す。
  論文  参考訳（メタデータ） (2025-09-08T03:26:18Z)
• Multi-Scale Finetuning for Encoder-based Time Series Foundation Models [67.95907033226585]
  時系列基礎モデル (TSFM) は, 時系列予測において印象的なゼロショット性能を示す。 直感的な微調整はパフォーマンスの向上をもたらすが、TSFMの能力を完全に活用するには不十分である、と我々は主張する。 マルチスケール・ファインタニング(MSFT)は,マルチスケール・モデリングをファインタニング・プロセスに明示的に統合する,シンプルながら汎用的なフレームワークである。
  論文  参考訳（メタデータ） (2025-06-17T01:06:01Z)
• Can Time-Series Foundation Models Perform Building Energy Management Tasks? [5.450531952940644]
  エネルギー管理タスクを構築するには、さまざまな時系列データからの処理と学習が必要である。 既存のソリューションは、これらのタスクを実行するために、bespokeタスクとデータ固有のモデルに依存しています。 LLM(Large Language Models)の変革的な成功に触発されて、TSFM(Time-Series Foundation Models)は、これを変える可能性を秘めている。
  論文  参考訳（メタデータ） (2025-06-12T19:45:10Z)
• Less is More: Unlocking Specialization of Time Series Foundation Models via Structured Pruning [27.23328609888911]
  時系列基礎モデル 広大なパラメータを事前訓練し、驚くべきゼロショット予測性能を達成する。 驚くべきことに、微調整後も、TSFMは、フルショットダウンストリームデータでトレーニングされた、より小さな、特殊なモデルよりも一貫してパフォーマンスを向上することはできない。 より関連性が高くコンパクトなパラメータ空間に焦点を合わせることにより、その後の微調整プロセスを正規化するための構造化プルーニング法を提案する。
  論文  参考訳（メタデータ） (2025-05-29T07:33:49Z)
• 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)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

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。