論文の概要: SPECTRA: State-Space Exogenous Context and Temporal-Frequency Resolution Architecture for Probabilistic Energy Forecasting

• arxiv url: http://arxiv.org/abs/2607.20587v1
• Date: Wed, 22 Jul 2026 13:58:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.177289
• Title: SPECTRA: State-Space Exogenous Context and Temporal-Frequency Resolution Architecture for Probabilistic Energy Forecasting
• Title（参考訳）: SPECTRA:確率的エネルギー予測のための状態空間外在的コンテキストと時間周波数分解アーキテクチャ
• Authors: Hang Ye, Xinyan Jiang, Yuedong Shi, Yangxin Zhu, Jianming Wei, Tian Zheng, Xiaoying Zheng, Yongxin Zhu,
• Abstract要約: 再生可能断続性、フレキシブルな需要、市場のボラティリティ、気象に依存した発生といった不確実性と相互作用する中で、現代の電力システムは確率的予測をますます要求している。 本稿では,一般確率エネルギー予測のための状態空間外在的コンテキストと時間周波数分解アーキテクチャを提案する。 負荷、価格、太陽、風速予測の実験は18設定中14項目で最高の連続的な順位の確率スコアを達成し、CRPSの平均は5.74%、上尾の量子リスクは7.27%減少する。
• 参考スコア（独自算出の注目度）: 5.384896571539134
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern power systems increasingly require probabilistic forecasts amid interacting uncertainties from renewable intermittency, flexible demand, market volatility, and weather-dependent generation. However, existing methods often treat multi-scale decomposition, exogenous-variable alignment, and probabilistic output as separate steps, obscuring how predictable structures and uncertainty-bearing fluctuations jointly shape the forecast distribution. This paper proposes a state-space exogenous-context and temporal-frequency resolution architecture for general probabilistic energy forecasting. Its central premise is that trend-periodic components primarily determine the baseline trajectory, whereas high-frequency residuals and external perturbations govern the spread and asymmetry of forecast uncertainty. Accordingly, the architecture adaptively separates deterministic and residual streams, aligns exogenous context with both, refines the deterministic backbone through multi-resolution spectral-temporal state-space modeling, and estimates ordered quantile boundaries from their complementary representations. Experiments on load, price, solar, and wind forecasting achieve the best continuous ranked probability score in 14 of 18 settings, reducing average CRPS by 5.74\% and upper-tail quantile risk by 7.27\% over the strongest baselines. These results support deterministic-stochastic separation as an effective design principle for general probabilistic energy forecasting.
• Abstract（参考訳）: 再生可能断続性、フレキシブルな需要、市場のボラティリティ、気象に依存した発生といった不確実性と相互作用する中で、現代の電力システムは確率的予測をますます要求している。 しかし、既存の手法では、予測可能な構造や不確実性を含む揺らぎが、予測分布を共同で形作っていることを見極めるため、複数のスケールの分解、外生変数のアライメント、確率出力を別々のステップとして扱うことが多い。 本稿では,一般確率エネルギー予測のための状態空間外在的コンテキストと時間周波数分解アーキテクチャを提案する。 その中心的な前提は、トレンド周期成分が主にベースライン軌道を決定するのに対し、高周波残差と外部摂動は予測の不確実性の拡散と非対称性を管理することである。 したがって、アーキテクチャは決定論的および残留ストリームを適応的に分離し、外因性コンテキストを両方と整合させ、多分解能スペクトル時間状態空間モデリングにより決定論的バックボーンを洗練し、順序付けられた量子境界を相補的な表現から推定する。 負荷、価格、太陽、風速予測の実験は18設定中14項目で最高の連続的な順位の確率スコアを達成し、平均CRPSを5.74 %、上尾の量子化リスクを7.27 %減らした。 これらの結果は、一般的な確率的エネルギー予測のための効果的な設計原理として決定論的-確率的分離を支持する。

関連論文リスト

• Universal Diffusion-Based Probabilistic Downscaling [3.47037488116399]
  我々は、決定論的低分解能気象予測を高分解能予測に引き上げる、普遍的な拡散に基づくダウンスケーリングフレームワークを導入する。 1つの条件拡散モデルは、ペア化された粗分解能入力と高分解能領域再分析ターゲットに基づいて訓練される。 我々は,90hまでのリード時間における独立駅観測に対する確率的予測を評価した。
  論文  参考訳（メタデータ） (2026-02-12T12:42:46Z)
• Probabilistic Multi-Regional Solar Power Forecasting with Any-Quantile Recurrent Neural Networks [3.8424737607413157]
  本稿では、AQ-RNN(Any-Quantile Recurrent Neural Network)に基づくマルチリージョンPV発電のための非量子確率予測フレームワークを提案する。 提案フレームワークは, 任意の確率レベルの条件量子化を, 1つの訓練されたモデル内で推定することができる。 その結果,予測精度,キャリブレーション,予測間隔の品質が一貫した改善を示した。
  論文  参考訳（メタデータ） (2026-02-05T13:43:18Z)
• Optimal Look-back Horizon for Time Series Forecasting in Federated Learning [26.070107882914844]
  本稿では,フェデレート時系列予測における適応的地平面選択の原理的枠組みを提案する。 我々は予測損失をベイズ項に分解し、既約不確実性を反映する。 予測損失の総和は、既約損失が飽和し始める最小の地平線で最小化され、近似損失は増加し続けることを示す。
  論文  参考訳（メタデータ） (2025-11-16T21:46:54Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。