論文の概要: Towards Continuous Power Forecasting: Practical Continual Learning for Real-World Energy Systems in Nonstationary Time Series

• arxiv url: http://arxiv.org/abs/2606.24955v1
• Date: Tue, 23 Jun 2026 08:48:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.069039
• Title: Towards Continuous Power Forecasting: Practical Continual Learning for Real-World Energy Systems in Nonstationary Time Series
• Title（参考訳）: 連続電力予測に向けて:非定常時間における実世界のエネルギーシステムのための実践的連続学習
• Authors: Yujiang He, Frederic Uhrweiller, Bernhard Sick,
• Abstract要約: 本稿では,連続電力予測のパラダイムを提案する。 電力予測は静的なオフラインタスクではなく、継続的な学習問題だと考えている。 産業用電力予測パイプラインに連続学習を実用的に組み込む方法を示す。
• 参考スコア（独自算出の注目度）: 4.036538092091887
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Power forecasting models deployed in real-world energy markets must operate under nonstationary conditions, where data distributions continually evolve due to weather variability, infrastructure upgrades, and changing consumption behaviors. In practice, these models face strict operational constraints: historical data may be limited or unavailable for repeated retraining, and uninterrupted long-term service is often required. This paper addresses these challenges by proposing the paradigm of Continuous Power Forecasting, which views power forecasting as a continual learning problem rather than a static offline task. Based on an adaptive continual learning framework for regression, we systematically investigate the practical effectiveness of six representative continual learning approaches from three methodological categories. These approaches are evaluated under different realistic assumptions regarding data accessibility and update policies. Experimental validation on real-world power datasets demonstrates that continual learning enables forecasting models to self-adapt to distributional drift, accumulate knowledge over time, and mitigate catastrophic forgetting without relying on large-scale historical data storage. Beyond performance gains, our study provides practical insights into the stability and adaptation behaviors of different continual learning approaches under realistic operational constraints. Overall, this work illustrates how continual learning can be pragmatically integrated into industrial power forecasting pipelines, offering a scalable and sustainable solution for long-term deployment in dynamic environments.
• Abstract（参考訳）: 実世界のエネルギー市場で展開される電力予測モデルは、気象変動、インフラのアップグレード、消費行動の変化によりデータ分布が継続的に進化する非定常条件下で運用されなければならない。 実際には、これらのモデルは厳格な運用上の制約に直面している: 履歴データは、繰り返し再トレーニングするために制限されるか、利用できない可能性がある。 本稿では,電力予測を静的なオフラインタスクではなく連続的な学習問題とみなす連続電力予測のパラダイムを提案することによって,これらの課題に対処する。 回帰学習のための適応型連続学習フレームワークに基づいて,3つの方法論カテゴリから6つの代表的な連続学習手法の有効性を体系的に検討した。 これらのアプローチは、データアクセシビリティと更新ポリシーに関する異なる現実的な仮定の下で評価される。 実世界のパワーデータセットに対する実験的な検証は、連続学習によって予測モデルが分散的ドリフトに適応し、時間とともに知識を蓄積し、大規模な履歴データストレージに頼ることなく破滅的な忘れを軽減できることを示した。 本研究は,性能向上以外にも,現実的な運用制約下での連続学習アプローチの安定性と適応行動に関する実践的な知見を提供する。 全体として、この研究は、継続的学習を産業用電力予測パイプラインに実用的に統合し、動的環境に長期展開するためのスケーラブルで持続可能なソリューションを提供する方法を示している。

関連論文リスト

• FastODT: A tree-based framework for efficient continual learning [0.22390482983773527]
  本稿では,Hoeffding が木の成長を制御できる不愉快な木モデルを提案する。 高速学習と推論をシームレスに統合し、効率的なメモリ管理と堅牢な知識保存を実現し、オンライン学習を可能にします。
  論文  参考訳（メタデータ） (2026-02-27T10:00:27Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Global Convergence of Continual Learning on Non-IID Data [51.99584235667152]
  回帰モデルの連続学習のための総合的・包括的理論的解析を行う。 一般データ条件下で連続学習のほぼ確実に収束する結果を初めて確立する。
  論文  参考訳（メタデータ） (2025-03-24T10:06:07Z)
• Temporal-Difference Variational Continual Learning [77.92320830700797]
  複数の先行推定の正則化効果を統合する新たな学習目標を提案する。 提案手法は, 変分CL法より優れたカタストロフィックフォーミングを効果的に緩和する。
  論文  参考訳（メタデータ） (2024-10-10T10:58:41Z)
• A Practitioner's Guide to Continual Multimodal Pretraining [83.63894495064855]
  マルチモーダル・ファンデーション・モデルは視覚と言語を交わす多くのアプリケーションに役立っている。 モデルを更新し続けるために、継続事前トレーニングの研究は主に、大規模な新しいデータに対する頻度の低い、差別的な更新、あるいは頻繁に行われるサンプルレベルの更新のシナリオを探求する。 本稿では,FoMo-in-Flux(FoMo-in-Flux)について紹介する。
  論文  参考訳（メタデータ） (2024-08-26T17:59:01Z)
• Navigating Out-of-Distribution Electricity Load Forecasting during COVID-19: Benchmarking energy load forecasting models without and with continual learning [10.47725405370935]
  本稿では,新たなデータを用いたモデル更新のための継続的学習手法と,建物の外にあるプライバシー保護歩行者カウンタから収集した人体移動データを活用するための2つの戦略を用いる。 結果は、特にアウト・オブ・ディストリビューション期間において、正確なエネルギー予測において継続的な学習が重要な役割を担っていることを明らかにする。
  論文  参考訳（メタデータ） (2023-09-08T12:36:49Z)
• CTP: Towards Vision-Language Continual Pretraining via Compatible Momentum Contrast and Topology Preservation [128.00940554196976]
  Vision-Language Continual Pretraining (VLCP)は、大規模なデータセット上でオフラインでトレーニングすることで、さまざまな下流タスクに対して印象的な結果を示している。 VLCP(Vision-Language Continual Pretraining)の研究を支援するために,我々はまず,包括的で統一されたベンチマークデータセットP9Dをコントリビュートする。 独立したタスクとしての各業界からのデータは、継続的な学習をサポートし、Webデータの事前学習をシミュレートする現実世界のロングテールな性質に準拠している。
  論文  参考訳（メタデータ） (2023-08-14T13:53:18Z)
• Continual Visual Reinforcement Learning with A Life-Long World Model [55.05017177980985]
  視覚力学モデリングのための新しい連続学習手法を提案する。 まず,タスク固有の潜在ダイナミクスを学習する長寿命世界モデルを紹介する。 そして,探索・保守的行動学習手法を用いて,過去の課題に対する価値推定問題に対処する。
  論文  参考訳（メタデータ） (2023-03-12T05:08:03Z)
• Continual Learning for Predictive Maintenance: Overview and Challenges [6.620789302906817]
  本稿では,予測保守,非定常環境,継続学習について紹介する。 次に,予測的メンテナンスと継続的学習の両面での現在の課題について議論し,両領域の交差点における今後の方向性を提案する。
  論文  参考訳（メタデータ） (2023-01-29T15:32:53Z)

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。