論文の概要: Short-Term Electricity Demand Forecasting for New England Using a Hybrid Transformer-XGBoost Framework with Weather, Calendar, and COVID-19 Indicators
- arxiv url: http://arxiv.org/abs/2606.20918v1
- Date: Thu, 18 Jun 2026 20:15:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 11:59:20.691014
- Title: Short-Term Electricity Demand Forecasting for New England Using a Hybrid Transformer-XGBoost Framework with Weather, Calendar, and COVID-19 Indicators
- Title（参考訳）: 気象・カレンダー・新型コロナウイルス指標を用いたハイブリッドトランスフォーマーXGBoostフレームワークによるニューイングランドの短期電力需要予測
- Authors: Reza Ghanavati, Behrooz Mosallaei,
- Abstract要約: 本稿では,時間的特徴抽出のためのトランスフォーマーエンコーダと,ニューイングランドを横断する日次電力需要予測のための勾配型決定木(XGBoost)を組み合わせたハイブリッドフレームワークを提案する。
この枠組みは、ニューイングランドの6つの州全てにまたがる6つの都市、カレンダーとホリデー効果、自己回帰的な需要ラグ、およびCOVID-19疫学変数の気象観測を統合している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate short-term electricity demand forecasting is critical for reliable power system operation, energy market planning, and infrastructure optimization. This paper presents a hybrid framework combining a Transformer encoder for temporal feature extraction with gradient-boosted decision trees (XGBoost) for daily electricity demand forecasting across New England. The framework integrates meteorological observations from six cities spanning all six New England states, calendar and holiday effects, autoregressive demand lags, and COVID-19 epidemiological variables. Hyperparameter optimization uses Optuna with a multivariate Tree-structured Parzen Estimator over 500 trials, with a leakage-free 70/15/15 chronological train-validation-test split. The hybrid model achieves a test RMSE of 8,876 MWh, MAPE of 2.05%, and R-squared of 0.906. A tabular-only XGBoost baseline achieves RMSE of 9,304 MWh, MAPE of 2.21%, and R-squared of 0.896. A Diebold-Mariano test (Harvey-Leybourne-Newbold correction) confirms the 427.7 MWh difference is statistically indistinguishable from noise (DM = -1.126, p = 0.262). An ablation study reveals COVID-19 features improved training accuracy but had asymmetric test effects: removal degraded hybrid RMSE by 3.2% while marginally improving XGBoost-only by 1.2%. A SHAP temporal analysis shows 5 of 8 COVID features rank higher on the post-acute test set than during pandemic-active training, indicating the model over-applies learned pandemic patterns. These findings establish temporal validity decay as a central mechanism: behavioral disruptions drove a strong COVID-demand signal during 2020-2021, but adaptation was complete by mid-2022, leaving epidemiological features as noise amplifying overfitting to stale pandemic patterns.
- Abstract（参考訳）: 正確な短期的な電力需要予測は、信頼性の高い電力系統運用、エネルギー市場計画、インフラ最適化に不可欠である。
本稿では,時間的特徴抽出のためのトランスフォーマーエンコーダと,ニューイングランドを横断する日次電力需要予測のための勾配型決定木(XGBoost)を組み合わせたハイブリッドフレームワークを提案する。
この枠組みは、ニューイングランドの6つの州全てにまたがる6つの都市、カレンダーとホリデー効果、自己回帰的な需要ラグ、およびCOVID-19疫学変数の気象観測を統合している。
ハイパーパラメータ最適化はオプトゥーナと多変量木構造パーゼン推定器を500回以上の試験で使用し、漏れのない70/15/15時間列車検証試験を分割した。
ハイブリッドモデルでは、RMSEは8,876MWh、MAPEは2.05%、R-squaredは0.906である。
表のみのXGBoostベースラインは、RMSEが9,304MWh、MAPEが2.21%、R-squaredが0.896である。
ダイボルド・マリアーノ検定(Harvey-Leybourne-Newbold correct)では、427.7MWhの差は雑音と統計的に区別できない(DM = -1.126, p = 0.262)。
XGBoostのみを1.2%改善しながら、ハイブリッドRMSEを3.2%劣化させ、XGBoostのみを1.2%改善した。
SHAPの時間分析では、新型コロナウイルスの感染状況がパンデミック活動訓練の期間よりも正確性テストで上位にランクされた8つの特徴のうち5つが、過度にアプリに学習されたパンデミックパターンを示している。
これらの知見は、2020-2021年の間に行動障害が強い新型コロナウイルスの需要シグナルを誘導したが、2022年半ばまでに適応が完了し、疫学的な特徴は、パンデミックのパターンを安定化させる過度な騒音を増幅するものとして残った。
関連論文リスト
- Tyan-WP: A Wind Power Foundation Model for Ultra-Short-Term Probabilistic Forecasting [34.21419135186753]
我々は,超短周期確率予測のための最初の風力発電基礎モデルであるtextbfTyan-WP を提案する。
Tyan-WPは10のドメインサイトにおいて8つのサイト固有のTSMを超え、117のドメインサイトにおいて11のジェネリックLTSMを上回っている。
その結果,風力基礎モデルでは,目標地点の訓練を伴わずに正確なゼロショット予測が可能であることが示唆された。
論文 参考訳（メタデータ） (2026-06-07T13:50:09Z) - Electricity Consumption Forecasting: An Approach Using Cooperative Ensemble Learning with SHapley Additive exPlanations [0.0]
Weaker Separator Booster (WSB)はデータセットの最高のパフォーマンスを示した。
共通性は、タグ付けされた時系列値の強い影響と気候変数の最小の影響であった。
論文 参考訳（メタデータ） (2026-05-25T00:03:52Z) - Bayesian Transformer for Probabilistic Load Forecasting in Smart Grids [0.0]
本研究では,3つの相補的不確実性機構をPatchTSTバックボーンに統合したベイズ変圧器フレームワークを提案する。
7段階のマルチクエンタリーピンボールロス予測ヘッドと、訓練後の等音波回帰キャリブレーションにより、鋭く、ほぼ一意にカバーされた予測間隔が生成される。
主要なベンチマーク(PJM, H=24h)では、BTは0.0289のCRPSを達成し、Deep Ensemblesより7.4%、決定論的LSTMより29.9%改善した。
論文 参考訳（メタデータ） (2026-03-09T02:39:51Z) - Multimodal Survival Modeling and Fairness-Aware Clinical Machine Learning for 5-Year Breast Cancer Risk Prediction [4.750682174151462]
乳癌における5年間の生存予測のための,完全再現可能な機械学習フレームワークを提案する。
我々は,METABRICコホートから高次元転写・複写数変化(CNA)の特徴を臨床変数と統合した。
ROC曲線(AUC)、平均精度(AP)、キャリブレーション曲線、ブライアスコア、ブートストラップの95%の信頼区間を用いて評価を行った。
論文 参考訳（メタデータ） (2026-02-25T07:20:43Z) - Benchmarking IoT Time-Series AD with Event-Level Augmentations [34.864214444544565]
実世界の問題をシミュレートする統合されたイベントレベル拡張による評価プロトコルを提案する。
5つの公開異常データセット上で14の代表的なモデルを評価する。
論文 参考訳（メタデータ） (2026-02-17T09:45:44Z) - Forecasting Continuum Intensity for Solar Active Region Emergence Prediction using Transformers [34.25104679311873]
太陽活動領域(AR)の出現の早期かつ正確な予測は、宇宙天気予報に不可欠である。
本研究では,SDO/HMIで観測された46個のARから得られたデータを用いて,最大12時間前に連続強度の進化を予測するスライディング・ウインドウ・トランスフォーマアーキテクチャについて検討する。
Conv1D層を使わずに早期検出アーキテクチャを組み込んだ最高の性能モデルは,0.1189のRoot Mean Square Error(RMSE)を達成した。
Transformerは、より優れた集約時間と精度を示すが、この高感度検出は、スムーズなベースラインモデルに比べて分散度が大きくなることに留意する。
論文 参考訳（メタデータ） (2026-01-19T15:25:04Z) - 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) - RULSurv: A probabilistic survival-based method for early censoring-aware prediction of remaining useful life in ball bearings [39.58317527488534]
Kullback-Leibler分散とRUL推定を用いた早期故障検出のための新しいフレキシブルな手法を提案する。
我々は,XJTU-SYデータセットにおいて,3つの異なる操作条件にまたがる5倍のクロスバリデーション戦略を用いてアプローチを実証する。
提案手法は,最大荷重下での5軸受の平均累積相対精度(CRA)を0.7586で達成し,複数の最先端ベースラインを改良する。
論文 参考訳（メタデータ） (2024-05-02T16:17:29Z) - Share, Collaborate, Benchmark: Advancing Travel Demand Research through rigorous open-source collaboration [0.0]
旅行需要の文献が効果的にポリシーを伝えるのを防ぐ重要な障壁は、明確な統合されたベンチマークのない出版物の量である。
新型コロナウイルス(COVID-19)のパンデミックのような動的条件下での性能に着目した交通需要予測モデルのための協調的なインフラを提案する。
LSTM深層学習手法の予測誤差は,1.5ヶ月以内に平均弧状絶対パーセンテージ誤差(MAAPE)が約0.12に安定化したのに対し,他のモデルでは,パンデミックから1年以内に高いエラー率を示し続けた。
論文 参考訳（メタデータ） (2023-06-09T18:48:39Z) - COUnty aggRegation mixup AuGmEntation (COURAGE) COVID-19 Prediction [29.919578191688274]
本稿では,米国各郡における2週間の新型コロナウイルス関連死亡の短期予測を行うCOURAGEという手法を提案する。
本モデルでは, 新型コロナウイルス関連症例, 死亡状況, 地域移動傾向, 人口統計情報の公開情報を完全に活用し, 対応する郡レベルの予測の集約として, 州レベルの予測を作成できる。
論文 参考訳（メタデータ） (2021-05-03T04:00:59Z)
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。