論文の概要: Inpainting-Style Conditional Diffusion for Multivariable Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2605.28324v1
• Date: Wed, 27 May 2026 11:25:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.001381
• Title: Inpainting-Style Conditional Diffusion for Multivariable Time Series Forecasting
• Title（参考訳）: 多変量時系列予測のための塗装型条件拡散
• Authors: Kourosh Kiani, S. M. Muyeen,
• Abstract要約: 本研究では,多時間時系列太陽予測パワーのための条件拡散に基づくフレームワークを提案する。 提案手法は,スライディングウインドウのパッチ構成を用いて,時間PVデータを構造化された2次元表現として再構成する。 GEFCom2014を含むベンチマークPVデータセットで実施された実験は、このアプローチが高い予測精度を達成することを実証している。
• 参考スコア（独自算出の注目度）: 15.992262494632321
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose a novel conditional diffusion-based framework for multivariable time-series solar power forecasting. The proposed method reformulates temporal PV data as structured two-dimensional representations (images) using a sliding-window patch construction, enabling the application of Denoising Diffusion Probabilistic Models (DDPM) within a unified spatiotemporal learning paradigm. A key contribution of this work is the formulation of solar forecasting as an inpainting problem, where future time steps are treated as missing regions to be reconstructed. This is achieved through a mask-based conditional diffusion mechanism, in which historical observations are preserved as conditioning context while the target (future) region is progressively corrupted and subsequently recovered via reverse diffusion. The model learns to generate coherent future sequences conditioned on observed data, effectively performing time-series inpainting. To fully utilize all available features and ensure compatibility with U-Net architectural constraints, a zero-padding strategy is introduced to construct fixed-size inputs. The model is trained using a supervised denoising objective to predict injected noise, enabling accurate iterative reconstruction during the reverse process. Extensive experiments conducted on benchmark PV dataset, including GEFCom2014, demonstrate that the proposed approach achieves high forecasting accuracy, particularly for short-term horizons. The results highlight the effectiveness of integrating diffusion-based generative modeling with an inpainting formulation for robust, flexible, and high-fidelity solar power forecasting.
• Abstract（参考訳）: 本稿では,多変量時系列太陽エネルギー予測のための条件拡散に基づく新しいフレームワークを提案する。 提案手法は,スライディングウインドウのパッチ構成を用いて,時間PVデータを構造化された2次元表現(画像)として再構成し,統合時空間学習パラダイムにおける拡散確率モデル(DDPM)の適用を可能にする。 この研究の重要な貢献は、太陽予報を塗装問題として定式化することであり、将来の時間ステップは、修復すべき欠落した領域として扱われる。 これはマスクベースの条件拡散機構によって達成され、過去の観測は条件づけの文脈として保存され、ターゲット(未来)領域は徐々に劣化し、その後逆拡散によって回復される。 モデルは、観測データに条件付きコヒーレントな将来のシーケンスを生成することを学習し、効果的に時系列の塗装を行う。 利用可能なすべての機能をフル活用し、U-Netアーキテクチャ制約との互換性を確保するため、ゼロパディング戦略を導入し、固定サイズの入力を構築する。 モデルは、教師付き遮音目標を用いて訓練され、注入音を予測し、逆処理中に正確な反復的再構成を可能にする。 GEFCom2014を含むベンチマークPVデータセットで行った大規模な実験は、提案手法が特に短期的な地平線において高い予測精度を達成することを実証している。 その結果, 拡散型発電モデルと塗装式を併用して, 堅牢でフレキシブルで高忠実な太陽発電予測を行うことの有効性を強調した。

関連論文リスト

• RAVEN: Real-time Autoregressive Video Extrapolation with Consistency-model GRPO [53.38929612273108]
  因果自己回帰ビデオ拡散モデルは、以前生成されたコンテンツから将来のチャンクを外挿することでリアルタイムストリーミング生成をサポートする。 本稿では,リアルタイム自動回帰ビデオ補間ネットワーク(RAVEN)を紹介した。これは,各自己ロールアウトを,クリーンな歴史的エンドポイントのインターリーブシーケンスに再パッケージするトレーニングタイムテストフレームワークである。
  論文  参考訳（メタデータ） (2026-05-14T17:59:30Z)
• VFMF: World Modeling by Forecasting Vision Foundation Model Features [67.09340259579761]
  本稿では,視覚基礎モデルの特徴空間における自己回帰フローマッチングを行う生成予測器を提案する。 この潜伏情報の方がPCAベースの代替案よりも効果的であることを示す。 一致したアーキテクチャと計算により、本手法はすべてのモダリティにおける回帰よりもシャープで正確な予測を生成する。
  論文  参考訳（メタデータ） (2025-12-12T02:10:05Z)
• TARFVAE: Efficient One-Step Generative Time Series Forecasting via TARFLOW based VAE [3.7770105485163206]
  本稿では,Transformer-based autoregressive Flow (TARFLOW) と変動型オートエンコーダ (VAE) を組み合わせた新しい生成フレームワークであるTARFVAEについて述べる。 単純なモジュールでは、TARFVAEはデータセット上の様々な予測地平線を越えて、最先端の決定論的および生成的モデルよりも優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-11-28T03:19:14Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Effective Probabilistic Time Series Forecasting with Fourier Adaptive Noise-Separated Diffusion [13.640501360968782]
  FALDAは時系列予測のための新しい確率的フレームワークである。 コンポーネント固有のアーキテクチャが組み込まれており、個々の時間的コンポーネントをカスタマイズしたモデリングを可能にする。 6つの実世界のベンチマーク実験は、FALDAが既存の確率予測手法を一貫して上回っていることを示している。 FALDAはまた、最先端(SOTA)ポイント予測アプローチよりも優れた全体的なパフォーマンスを実現し、最大9%の改善を実現している。
  論文  参考訳（メタデータ） (2025-05-16T14:32:34Z)
• Federated Dynamic Modeling and Learning for Spatiotemporal Data Forecasting [1.492694722803554]
  本稿では,複雑な時間的データを予測するための高度なフェデレート学習(FL)フレームワークを提案する。 Gated Recurrent Unit(RU)モジュールをLong Short-Term Memory(LSTM)ネットワークに置き換える。 結果として生じるアーキテクチャは、様々な予測アプリケーションで複雑な時間パターンを扱う能力を大幅に改善します。
  論文  参考訳（メタデータ） (2025-03-06T15:16:57Z)
• 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)
• Precipitation nowcasting with generative diffusion models [0.0]
  降水処理における拡散モデルの有効性について検討した。 本研究は, 確立されたU-Netモデルの性能と比較したものである。
  論文  参考訳（メタデータ） (2023-08-13T09:51:16Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)

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。