論文の概要: Delta-Based Target Reformulation for Short-Term Electricity Load Forecasting Using LSTM and Transformer Models

• arxiv url: http://arxiv.org/abs/2606.17692v1
• Date: Tue, 16 Jun 2026 09:01:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.366317
• Title: Delta-Based Target Reformulation for Short-Term Electricity Load Forecasting Using LSTM and Transformer Models
• Title（参考訳）: LSTMモデルと変圧器モデルを用いた短期電力負荷予測のためのデルタベースターゲット改質
• Authors: Vansh Bansal,
• Abstract要約: 本稿では,ディープラーニングを用いた短期電力負荷予測のためのデルタ型目標修正について検討する。 絶対負荷値を直接予測する代わりに、提案された定式化は、連続する時間ステップ間の負荷変化を予測するためにモデルを訓練する。 その結果,デルタ・ベース・リフォーメーションは時間差予測の予測精度を常に向上させることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate short-term electricity load forecasting is critical for the reliable and economic operation of modern power systems, under non-stationarity arising from weather variability, calendar effects, and evolving consumption patterns. While deep learning models such as LSTMs and Transformers show promising performance, most existing studies focus on direct absolute load prediction without explicitly addressing target non-stationarity. Motivated by classical time-series differencing techniques in ARIMA models, this paper investigates a delta-based target reformulation for short-term electricity load forecasting using deep learning. Instead of directly predicting absolute load values, the proposed formulation trains models to predict the change in load between consecutive time steps, with final forecasts reconstructed using the last observed load. This aims to stabilize the learning target and reduce forecasting difficulty. Using multi-year, hourly real-world electricity load data from India, augmented with meteorological variables from the NASA POWER project and calendar features, this study evaluates LSTM and Transformer models under both formulations, benchmarking them against LightGBM. Experiments are conducted for hour-ahead and day-ahead horizons, assessing performance via Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE). Results show that delta-based reformulation consistently improves forecasting accuracy for hour-ahead prediction across all evaluated models, yielding MAPE reductions of over 50% compared to absolute formulations. For day-ahead forecasting, delta targets specifically benefit deep sequence models (LSTM and Transformer), while LightGBM remains competitive under the absolute formulation. These findings indicate that while delta reformulation is a powerful inductive bias for neural networks, its efficacy is model- and horizon-dependent.
• Abstract（参考訳）: 正確な短期電力負荷予測は、気象変動、カレンダー効果、進化する消費パターンから生じる非定常性の下で、現代の電力システムの信頼性と経済的な運用に不可欠である。 LSTMやTransformerのようなディープラーニングモデルは有望な性能を示すが、既存の研究は目標の非定常性に明示的に対処することなく直接絶対負荷予測に焦点を当てている。 本稿では,ARIMAモデルにおける古典的時系列差分法を応用して,ディープラーニングを用いた短期電力負荷予測のためのデルタ型目標改質について検討する。 絶対負荷値を直接予測する代わりに、提案された定式化モデルは、最終観測負荷を用いて最終予測を再構築し、連続する時間ステップ間の負荷変化を予測するようにモデル化する。 これは学習目標の安定化と予測困難の低減を目的としている。 本研究では,NASA POWERプロジェクトの気象変数とカレンダーの特徴を付加したインドからの複数年間の実時間実世界の電力負荷データを用いて,LSTMモデルとTransformerモデルの評価を行い,それらをLightGBMと比較した。 平均絶対誤差 (MAE) と平均絶対誤差 (MAPE) を用いて, 平均絶対誤差 (MAPE) と平均絶対誤差 (MAPE) による性能評価を行った。 その結果, デルタモデルによる予測精度は, 絶対定式化よりも50%以上低下することがわかった。 日頭予測では、デルタターゲットはディープシーケンスモデル(LSTMとTransformer)に特化しており、LightGBMは絶対的な定式化の下で競争力を維持している。 これらの結果は、デルタ改質はニューラルネットワークの強力な誘導バイアスであるが、その有効性はモデルと地平線に依存していることを示している。

関連論文リスト

• From ARIMA to Attention: Power Load Forecasting Using Temporal Deep Learning [0.0]
  本稿では,従来の統計モデルと,短期エネルギー負荷予測のためのディープラーニング手法の実証評価を行う。 ARIMA、LSTM、BiLSTM、Transformerの4つのモデルがPJM Hourly Energy Consumptionデータに利用された。 トランスフォーマーモデルは自己認識アルゴリズムに依存しており、MAPEの3.8%で最良の結果を生み出した。
  論文  参考訳（メタデータ） (2026-02-21T10:51:49Z)
• IISE PG&E Energy Analytics Challenge 2025: Hourly-Binned Regression Models Beat Transformers in Load Forecasting [0.0]
  本研究では,古典的回帰手法から高度なディープラーニングアーキテクチャに至るまで,予測モデルを評価する。 このデータセットには、過去2年間の電力負荷データと、5つの場所にわたる温度およびグローバル水平照射(GHI)が含まれている。 その結果、TimeGPTを含むディープラーニングモデルは、より単純な統計的および機械学習アプローチを一貫して上回りません。
  論文  参考訳（メタデータ） (2025-05-16T15:55:34Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Efficient mid-term forecasting of hourly electricity load using generalized additive models [0.0]
  本稿では,解釈可能なP-スプラインから構築したGAMを用いた新しい予測手法を提案する。 提案手法は,9年以上にわたる欧州24カ国の負荷データを用いて評価した。
  論文  参考訳（メタデータ） (2024-05-27T11:41:41Z)
• 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)
• A comparative assessment of deep learning models for day-ahead load forecasting: Investigating key accuracy drivers [2.572906392867547]
  短期負荷予測(STLF)は電力グリッドとエネルギー市場の効果的かつ経済的な運用に不可欠である。 STLFの文献ではいくつかのディープラーニングモデルが提案されており、有望な結果を報告している。
  論文  参考訳（メタデータ） (2023-02-23T17:11:04Z)
• 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。