Fugu-MT 論文翻訳(概要): Ensemble Score Filtering for Real-Data Energy Consumption Forecast Correction

論文の概要: Ensemble Score Filtering for Real-Data Energy Consumption Forecast Correction

arxiv url: http://arxiv.org/abs/2605.29072v1
Date: Wed, 27 May 2026 20:27:38 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-30 02:45:55.444189
Title: Ensemble Score Filtering for Real-Data Energy Consumption Forecast Correction
Title（参考訳）: 実データ消費予測補正のためのアンサンブルスコアフィルタ
Authors: Ruoyu Hu, Dahai Yu, Feng Bao, Guang Wang, Guannan Zhang,
Abstract要約: 実エネルギー消費データに対する高次元データ同化問題について検討する。本研究ではEnsemble Score Filter(EnSF)を用いて,部分的および雑音的な観測を同化し,時間とともに予測軌道を補正する。
参考スコア（独自算出の注目度）: 11.027420128235903
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate estimation and forecasting of energy consumption are important for power-system operation, planning, and demand-side management. In practice, however, complete and timely measurements may not always be available, and the observed data can be partial, noisy, or delayed. This motivates the use of learned forecasting models for predicting the evolving consumption state, together with data assimilation methods for sequential forecast correction. In this work, we study a high-dimensional data assimilation problem for real energy-consumption data. \modeltext{The forward prediction is supplied by a pretrained black-box spatio-temporal forecasting model, which is treated as the state propagator in the filtering procedure.} We employ the Ensemble Score Filter (EnSF) to assimilate partial and noisy observations and to correct the forecast trajectory over time. The EnSF uses score-based diffusion models to approximate filtering distributions and avoids retraining neural-network score models during assimilation by using a closed-form score representation and Monte Carlo approximation. Numerical experiments demonstrate that open-loop propagation of the learned forecasting model can become unreliable over long horizons, while EnSF-based correction substantially improves state estimation. Comparisons with the Ensemble Kalman Filter (EnKF) further show that EnSF provides stronger correction under the nonlinear observation setting considered in this work.
Abstract（参考訳）: 電力系統の運用, 計画, 需要側管理において, エネルギー消費の正確な推定と予測が重要である。しかし、実際には、完全かつタイムリーな測定は必ずしも可能ではなく、観測されたデータは部分的、ノイズ、遅延である可能性がある。これにより、学習した予測モデルを用いて消費状態の進化を予測するとともに、逐次予測補正のためのデータ同化手法がもたらされる。本研究では,実エネルギー消費データに対する高次元データ同化問題について検討する。フォワード予測は、事前訓練されたブラックボックス時空間予測モデルによって提供され、フィルタリング手順では状態プロパゲータとして扱われる。 The Ensemble Score Filter (EnSF) to assimilate partial and noisey observed and to correct the forecast trajectory over time。 EnSFは、スコアベースの拡散モデルを用いてフィルタリング分布を近似し、クローズドフォームスコア表現とモンテカルロ近似を用いて同化中のニューラルネットスコアモデルの再学習を回避する。数値実験により、学習した予測モデルの開ループ伝播は長い水平線上では信頼性が低下し、一方、EnSFに基づく補正は状態推定を大幅に改善することを示した。 Ensemble Kalman Filter (EnKF) との比較により、EnSFは、この研究で考慮された非線形観測条件の下でより強い補正を提供することが示された。

関連論文リスト

Inpainting-Style Conditional Diffusion for Multivariable Time Series Forecasting [15.992262494632321]
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。
論文参考訳（メタデータ） (2026-05-27T11:25:28Z)
Prequential posteriors [2.831395148295604]
逐次的(逐次的)損失関数に基づく前置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置軽度条件下では、事前損失最小化器と、最適予測性能を持つパラメータまわりの逐次後部集中器の両方が有効であることを示す。本手法は,合成多次元時系列と実世界の気象データセットの両方で検証する。
論文参考訳（メタデータ） (2025-11-21T19:18:19Z)
The Living Forecast: Evolving Day-Ahead Predictions into Intraday Reality [0.688204255655161]
本稿では,完全確率的日頭予測をトレーニングや再推論なしに日内予測に変換するベイズ更新機構を提案する。家庭用電力消費と太陽光発電データを用いた実験により, 提案手法は, 可能性, サンプル, 定量, 点ベースで25%の精度で予測精度を向上することを示した。
論文参考訳（メタデータ） (2025-10-14T08:25:20Z)
Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching [9.465542901469815]
Conditional Guided Flow Matching (CGFM) は、補助的な予測モデルから出力を統合することで、フローマッチングを拡張するモデルに依存しないフレームワークである。 CGFMは、歴史的データを条件とガイダンスの両方に取り入れ、一方の条件付きパスを使用し、アフィンパスを用いて経路空間を拡大する。データセットとベースラインにわたる実験は、CGFMが常に最先端のモデルより優れており、予測が進んでいることを示している。
論文参考訳（メタデータ） (2025-07-09T18:03:31Z)
On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文参考訳（メタデータ） (2024-10-21T18:31:04Z)
ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文参考訳（メタデータ） (2024-02-02T10:34:13Z)
DiffDA: a Diffusion Model for Weather-scale Data Assimilation [19.336483240566142]
本研究では,予測状態とスパース観測を用いて大気変数を同化可能な拡散モデルとしてDiffDAを提案する。天気予報モデルと天気予報専用拡散モデルとの類似性を認識し,事前学習したGraphCastニューラルネットワークを拡散モデルのバックボーンとして適用する。
論文参考訳（メタデータ） (2024-01-11T14:11:12Z)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文参考訳（メタデータ） (2021-06-08T14:48:20Z)

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。