論文の概要: Time series Foundation Models based on Physics-Informed Synthetic Histories for Cold-Start Photovoltaic Forecasting

• arxiv url: http://arxiv.org/abs/2606.07457v1
• Date: Fri, 05 Jun 2026 17:05:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.858951
• Title: Time series Foundation Models based on Physics-Informed Synthetic Histories for Cold-Start Photovoltaic Forecasting
• Title（参考訳）: 物理インフォームド・シンセティック・ヒストリーに基づくコールドスタート太陽光発電予測のための時系列基礎モデル
• Authors: Lorenzo Longarini, Alessandro Rongoni, Simone Silenzi, Emanuele Frontoni, Riccardo Rosati,
• Abstract要約: 評価は4つのデータセットと多様な気候体制にまたがる440ドルのPVサイトに及んでいる。 性能は、合成履歴源にはほとんど敏感であり、精度は特定の発生器よりも、可視的時間的文脈の可用性によってより引き起こされることを示している。
• 参考スコア（独自算出の注目度）: 45.753923525593045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: At commissioning time, Photovoltaic (PV) operators must forecast production before target-site observations are available, limiting the direct use of standard supervised forecasters. This cold-start setting is addressed with a zero-shot pipeline that generates a synthetic production history from plant metadata and meteorological covariates, enabling time-series foundation models (TSFMs) to forecast through inference-time conditioning. Five TSFMs are benchmarked against classical baselines under strict Cold-Start Baseline, Real Feedback, and Self-Forecast Feedback strategies. The evaluation spans $440$ PV sites across four datasets and diverse climate regimes. Covariate-aware foundation models outperform baselines by approximately $1.7-2\times$: TabPFN-TS achieves the lowest error under Real Feedback (MAE $0.514$, RMSE $0.721$ $kWh$ ${kWp}^{-1}$ ${d}^{-1}$), while Chronos-2 is most robust under Self-Forecast Feedback. Performance is largely insensitive to the synthetic-history source, indicating that accuracy is driven more by the availability of plausible temporal context than by the specific generator.
• Abstract（参考訳）: 委託時には、太陽光発電(PV)オペレーターは、目標地点の観測が利用可能になる前に生産を予測し、標準的な監督された予測装置の直接の使用を制限する必要がある。 このコールドスタート設定は、植物メタデータと気象共変物から合成生産履歴を生成するゼロショットパイプラインで対処され、推論時条件付けにより時系列基礎モデル(TSFM)が予測できる。 5つのTSFMは、厳格なCold-Startベースライン、Real Feedback、Self-Forecast Feedback戦略の下で古典的なベースラインに対してベンチマークされる。 評価は4つのデータセットと多様な気候体制にまたがる440ドルのPVサイトを対象としている。 Covariate-aware foundation model outperform baselines by almost $1.7-2\times$: TabPFN-TS achieve a least error under Real Feedback (MAE $0.514$, RMSE $0.721$ $kWh$ ${kWp}^{-1}$ ${d}^{-1}$), and Chronos-2 is most robust under Self-Forecast Feedback (MAE $0.514$, RMSE $0.721$ $kWh$ ${{kWp}^{-1}$ ${d}^{-1}$)。 性能は、合成履歴源にはほとんど敏感であり、精度は特定の発生器よりも、可視的時間的文脈の可用性によってより引き起こされることを示している。

関連論文リスト

• QuitoBench: A High-Quality Open Time Series Forecasting Benchmark [32.21290355342465]
  時系列予測は、ファイナンス、ヘルスケア、クラウドコンピューティングにおいて重要である。 時系列予測のための状態バランスのベンチマークであるtextscQuitoBenchを紹介する。
  論文  参考訳（メタデータ） (2026-03-27T02:24:34Z)
• Time-Aware Prior Fitted Networks for Zero-Shot Forecasting with Exogenous Variables [59.37476887007663]
  我々は、(PFNとは違って)時間認識の事前データ適合型ネットワーク(PFN)であるApolloPFNを開発した。 i) PFNが時系列に適用されたときに発生する障害モードを解決するために調整された合成データ生成手順,(ii)時系列コンテキストを利用するのに必要な帰納的バイアスを埋め込んだ時間アウェアなアーキテクチャ修正。
  論文  参考訳（メタデータ） (2026-03-16T18:33:23Z)
• $V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
  一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。 本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。 V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2026-03-11T14:57:41Z)
• Zero-Shot Transfer Capabilities of the Sundial Foundation Model for Leaf Area Index Forecasting [7.291936902557843]
  本研究では,農業モニタリングにおけるリーフ面積指数(LAI)予測のための時系列基盤モデルのゼロショット予測能力について検討した。 ゼロショット設定では、入力コンテキストウィンドウが十分に長期的であるため、Sundialは十分に訓練されたLSTMより優れていることが判明した。 その結果, 農業・環境分野において, 実効的なプラグアンドプレイ予測を行うための事前学習型時系列基盤モデルの強みが浮き彫りとなった。
  論文  参考訳（メタデータ） (2025-11-25T07:14:50Z)
• 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)
• Time-Series Foundation AI Model for Value-at-Risk Forecasting [9.090616417812306]
  この研究は、VaR(Value-at-Risk)のための時系列基礎AIモデルの性能を初めて分析したものである。 さまざまなデータセットで事前トレーニングされたファンデーションモデルは、最小限のデータを持つゼロショット設定で適用することができる。 微調整は精度を著しく向上させ、VaRにはゼロショットの使用が最適でないことを示す。
  論文  参考訳（メタデータ） (2024-10-15T16:53:44Z)
• Impact of Employing Weather Forecast Data as Input to the Estimation of Evapotranspiration by Deep Neural Network Models [0.11249583407496218]
  Evapotranspiration (ET0) は、作物の水需要に係数が関係しているため、スマート灌水スケジューリングを設計するための重要なパラメータである。 FAO56-PM法を用いてET0を計算するには、気温、湿度、風、太陽放射の4つの主要な気象パラメータが必要である。
  論文  参考訳（メタデータ） (2024-03-27T12:01:51Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)

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。