論文の概要: ECTO: Exogenous-Conditioned Temporal Operator for Ultra-Short-Term Wind Power Forecasting

• arxiv url: http://arxiv.org/abs/2605.12196v2
• Date: Wed, 20 May 2026 04:40:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 14:55:44.017048
• Title: ECTO: Exogenous-Conditioned Temporal Operator for Ultra-Short-Term Wind Power Forecasting
• Title（参考訳）: ECTO:超短周期風力予測のための外因性コンディション型テンポラリオペレータ
• Authors: Cao Yuan, Junjun Wang,
• Abstract要約: 我々は風力予測のための統一的な枠組みとしてECTO(Exogenous-Conditioned Temporal Operator)を提案する。 PGVS (Physically-Grounded Variable Selection) は階層的でグループ対応のスパース選択を行う。 Exogenous-Conditioned Regime Refinement (ECRR) は、学習体制の専門家を通じて予測をルーティングする。
• 参考スコア（独自算出の注目度）: 0.06015898117103066
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate ultra-short-term wind power forecasting is critical for grid dispatch and reserve management, yet remains challenging due to the non-stationary, condition-dependent nature of wind generation. Meteorological exogenous variables carry substantial predictive information, but the most informative variable combination varies across sites, operating conditions, and prediction horizons. Existing deep learning approaches either treat exogenous inputs as generic auxiliary channels through uniform mixing or soft gating, or rely on fixed preprocessing steps such as PCA, without exploiting the physical structure of meteorological variables. We propose ECTO (Exogenous-Conditioned Temporal Operator), a unified framework that decomposes exogenous variable modeling into two complementary modules. Physically-Grounded Variable Selection (PGVS) performs hierarchical, group-aware sparse selection over exogenous variables using a domain-informed physical prior and sparsemax activations, producing a compact, condition-adaptive exogenous context. Exogenous-Conditioned Regime Refinement (ECRR) routes the forecast through learned regime experts that apply gain--bias calibration and horizon-specific corrections via a mixture-of-experts paradigm. Experiments on three wind farms spanning different climates, capacities (66--200 MW), and exogenous dimensions (11--13 variables) demonstrate that ECTO achieves the lowest MSE across all sites, with relative improvements over the strongest baseline ranging from 2.2% to 5.2%, widening to 8.6% at the longer prediction horizon ($H=32$). Ablation analysis confirms that each exogenous-related component contributes positively (PGVS +1.84%, ECRR +2.86%), and interpretability analysis reveals that PGVS learns physically meaningful, site-specific variable selection patterns, while ECRR converges to well-separated calibration strategies consistent across sites.
• Abstract（参考訳）: グリッドディスパッチとリザーブマネジメントには正確な超短期風力発電予測が不可欠であるが, 風力発電の非定常的, 条件に依存しない性質のため, 依然として困難である。 気象外生変数は、かなりの予測情報を持っているが、最も情報に富む変数の組み合わせは、場所、運用条件、予測地平線によって異なる。 既存のディープラーニングアプローチは、均一な混合やソフトゲーティングを通じて外因性入力を一般的な補助チャネルとして扱うか、気象変数の物理的構造を使わずに、PCAのような固定された前処理ステップに依存している。 ECTO(Exogenous-Conditioned Temporal Operator)は,外因性変数モデリングを2つの相補的なモジュールに分解する統合フレームワークである。 物理的に取り囲む可変変数選択(PGVS)は、ドメインインフォームドな物理前駆体とスパースマックスのアクティベーションを用いて、外因性変数に対して階層的でグループ対応のスパース選択を行い、コンパクトで条件適応的な外因性コンテキストを生成する。 Exogenous-Conditioned Regime Refinement (ECRR) は、利得バイアス校正と地平線固有の補正を専門知識の混合パラダイムを通じて適用する学習体制の専門家を通じて、予測をルーティングする。 異なる気候、容量(66-200 MW)、外因性次元(11-13変数)にまたがる3つの風力発電所の実験は、ECTOが全ての地点で最低のMSEを達成し、最も強いベースラインを2.2%から5.2%まで、より長い予測地平線(H=32$)で8.6%に拡大したことを示している。 アブレーション分析により、各外因性関連成分(PGVS +1.84%、ECRR +2.86%)が正に寄与していることが確認され、解釈可能性分析によりPGVSが物理的に意味のあるサイト固有の変数選択パターンを学習し、ECRRはサイト間で整合したキャリブレーション戦略に収束することが明らかとなった。

関連論文リスト

• Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
  我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。 ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
  論文  参考訳（メタデータ） (2026-05-07T20:25:28Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• MeTok: An Efficient Meteorological Tokenization with Hyper-Aligned Group Learning for Precipitation Nowcasting [24.54767209914783]
  本稿では,降水処理の課題に焦点をあて,効率的な分布中心気象トークン化手法を開発した。 我々は2つの重要な改良を加えたHyper-Aligned Grouping Transformer (HyAGTransformer)を紹介した。 ERA5データセットを用いた6時間予測実験では, 他の手法と比較して, IoU測定値が少なくとも8.2%改善した。
  論文  参考訳（メタデータ） (2026-03-14T04:55:49Z)
• Adaptive Conditional Forest Sampling for Spectral Risk Optimisation under Decision-Dependent Uncertainty [1.14219428942199]
  期待されるコストと条件付き価値の凸組み合わせとして定義されたスペクトルリスク目標の最小化は困難である。 本研究では,4相シミュレーション最適化フレームワークである適応条件森林サンプリング(ACFS)を提案する。 ACFSは、一般的なランダムフォレストを統合して、意思決定条件の分布近似、CEMによるグローバルな探索、ランク重みの集中強化、サロゲートとオーラルの2段階の再評価を行う。
  論文  参考訳（メタデータ） (2026-03-12T22:53:24Z)
• Making Tunable Parameters State-Dependent in Weather and Climate Models with Reinforcement Learning [0.5131152350448099]
  本研究は,パラメトリックスキームのコンポーネントをオンラインで学習するフレームワークを提案する。 理想的なテストベッドの階層にまたがって、結果のRL駆動パラメータの更新を評価する。 結果は、RLがスキリフルな状態依存とレギュラー対応のパラメトリを提供することを強調している。
  論文  参考訳（メタデータ） (2026-01-07T11:19:16Z)
• CSU-PCAST: A Dual-Branch Transformer Framework for medium-range ensemble Precipitation Forecasting [6.540270371082014]
  本研究では,多段階降水予測のための深層学習に基づくアンサンブルフレームワークを開発する。 アーキテクチャはパッチベースのSwin Transformerのバックボーンを使用し、周期的な畳み込みによって長手連続性を扱う。 トレーニングは、CRPS(Continuous Ranked Probability Score)と重み付きlog1p平均二乗誤差(log1pMSE)を組み合わせたハイブリッド損失を最小限にする
  論文  参考訳（メタデータ） (2025-10-23T17:43:38Z)
• CoRA: Covariate-Aware Adaptation of Time Series Foundation Models [47.20786327020571]
  Time Series Foundation Models (TSFM) は、そのモデル容量、スケーラビリティ、ゼロショットの一般化を通じて、大きな影響を与えている。 TSFMのための一般共変量認識適応(CoRA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-14T16:20:00Z)
• Wavelet-SARIMA-Transformer: A Hybrid Model for Rainfall Forecasting [0.0]
  本研究は,1971年から2023年の間にインド北東部の5つの気象区分にまたがる月間降雨量の予測を行うハイブリッドウェーブレットSARIMAトランスフォーマー(WST)を開発した。
  論文  参考訳（メタデータ） (2025-09-15T13:27:19Z)
• Open-set Anomaly Segmentation in Complex Scenarios [88.11076112792992]
  本稿では,複雑なシナリオにおけるオープンセット異常セグメンテーションのベンチマークであるComsAmyを紹介する。 ComsAmyは、幅広い悪天候、動的な運転環境、様々な異常タイプを含む。 本稿では,エネルギーとエントロピーの相補的情報を統合する新しいエネルギ-エントロピー学習(EEL)戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-28T12:00:10Z)
• Forecasting Local Ionospheric Parameters Using Transformers [39.58317527488534]
  本稿では,トランスを用いたニューラルネットワークを用いたキー電離球パラメータの予測手法を提案する。 このモデルは、F2層ピークプラズマ周波数(foF2)、F2層ピーク密度高さ(hmF2)、および所定の地理的位置に対する全電子量(TEC)の正確な予測と不確実性定量化を提供する。
  論文  参考訳（メタデータ） (2025-02-20T23:23:09Z)
• TimeXer: Empowering Transformers for Time Series Forecasting with Exogenous Variables [75.83318701911274]
  TimeXerは外部情報を取り込み、内因性変数の予測を強化する。 TimeXerは、12の現実世界の予測ベンチマークで一貫した最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-29T11:54:35Z)

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。