論文の概要: An Empirical Benchmark of Deep Time-Series Models for Smart Meter Energy Forecasting

• arxiv url: http://arxiv.org/abs/2608.18675v1
• Date: Wed, 19 Aug 2026 08:27:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.342617
• Title: An Empirical Benchmark of Deep Time-Series Models for Smart Meter Energy Forecasting
• Title（参考訳）: スマートメータエネルギー予測のための深部時系列モデルの実証ベンチマーク
• Abstract要約: 時系列予測のための9つの近代的ディープラーニングモデルの実証的ベンチマークを示す。 我々はこれらのモデルを2つの公開スマートメーターデータセットで評価する。
• 参考スコア（独自算出の注目度）: 1.539942973115038
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate forecasting of energy consumption is important for the efficient operation of power systems, with direct implications for operational costs, energy management, and system maintenance. Due to the availability of extensive high-resolution consumption data from smart meters, data-driven methods have been used for short-term and long-term forecasting. However, their comparative performance on real-world smart meter data is still not well studied. In this paper, we present an empirical benchmark of nine modern deep learning models for time-series forecasting, including linear, MLP-based, convolutional, and Transformer architectures. We evaluate these models on two publicly available smart meter datasets. Our analysis focuses on three factors that strongly affect forecasting performance: the length of historical input, the prediction horizon, and the choice of model architecture. We show that extending the historical context improves accuracy, but only up to a saturation point, after which additional input provides limited benefit. In contrast, accuracy decreases as the prediction horizon increases. We also investigate the trade-off between prediction accuracy and computational complexity, and assess the statistical significance and practical magnitude of performance differences across models. Our results show that deep learning models consistently outperform classical baselines, while lightweight architectures achieve relatively similar performance at significantly lower computational cost. Additionally, architectural differences only become meaningful at longer forecasting horizons and on more heterogeneous datasets. Finally, a subgroup analysis across geodemographic and household categories shows that model choice has limited impact for most population segments.
• Abstract（参考訳）: エネルギー消費の正確な予測は、運用コスト、エネルギー管理、システムの保守に直接的な影響を与える電力系統の効率的な運用にとって重要である。 スマートメータからの高解像度消費データが利用できるため、短期・長期の予測にはデータ駆動方式が用いられてきた。 しかし、実世界のスマートメーターデータに対する比較性能は、まだ十分に研究されていない。 本稿では,線形,MLPベース,畳み込み,トランスフォーマーアーキテクチャを含む,時系列予測のための最新の9つのディープラーニングモデルの実証的ベンチマークを示す。 我々はこれらのモデルを2つの公開スマートメーターデータセットで評価する。 本分析では, 履歴入力の長さ, 予測地平線, モデルアーキテクチャの選択という, 予測性能に強く影響を及ぼす3つの要因に着目した。 歴史的文脈の拡張により精度は向上するが、飽和点までしか改善せず、追加入力は限られた利益をもたらすことを示す。 対照的に、予測水平線が増加するにつれて精度は低下する。 また,予測精度と計算複雑性のトレードオフについて検討し,モデル間の性能差の統計的意義と実用的大きさを評価する。 その結果,ディープラーニングモデルは古典的ベースラインを一貫して上回り,軽量アーキテクチャは計算コストを大幅に削減して比較的類似した性能を実現していることがわかった。 さらに、アーキテクチャの違いは、より長い予測地平線とより異質なデータセットにおいてのみ意味を持つようになる。 最後に、ジオデマトグラフィーと世帯カテゴリーのサブグループ分析により、モデル選択がほとんどの人口セグメントに限定的な影響を与えることが示された。

関連論文リスト

• Scaling Laws of Global Weather Models [57.27583619011988]
  本稿では,モデル性能(検証損失)とモデルサイズ,データセットサイズ,計算予算の3つの主要な要因について検討する。 様々なモデルにおいて、Auroraは最も強力なデータスケーリングの挙動を示す。 我々の計算-最適分析は、固定された計算予算の下で、長いトレーニング期間にリソースを割り当てると、モデルサイズの増加よりもパフォーマンスが向上することを示している。
  論文  参考訳（メタデータ） (2026-02-26T12:57:38Z)
• Information Capacity: Evaluating the Efficiency of Large Language Models via Text Compression [53.39128997308138]
  テキスト圧縮性能に基づくモデル効率の指標である情報容量を導入する。 主流のオープンソースモデルに対する実証的な評価は、シリーズ内のさまざまなサイズのモデルが一貫した情報容量を示すことを示している。 情報容量の特徴的な特徴は、入力と出力の両方のトークン数に影響を与えるトークン化効率が組み込まれていることである。
  論文  参考訳（メタデータ） (2025-11-11T10:07:32Z)
• Accuracy Law for the Future of Deep Time Series Forecasting [65.46625911002202]
  時系列予測は、部分的に観測可能で不確実な性質のため、本質的にゼロでない誤差の低い境界に直面する。 本稿では、ディープ時系列予測の性能上限をどうやって推定するかという根本的な問題に焦点をあてる。 新たに訓練された2,800以上の深層予測器の厳密な統計的テストに基づいて、深部モデルの最小予測誤差とウィンドウワイズ級数パターンの複雑さとの間に有意な指数関数的関係を見出した。
  論文  参考訳（メタデータ） (2025-10-03T05:18:47Z)
• 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)
• Does Scaling Law Apply in Time Series Forecasting? [2.127584662240465]
  我々は,kレベルパラメータのみを用いて競合性能を実現する超軽量予測モデルであるAlinearを提案する。 7つのベンチマークデータセットの実験では、Alinearが大規模モデルよりも一貫して優れていることが示されている。 この研究は、より大きなモデルが本質的に優れているという一般的な信念に挑戦し、より効率的な時系列モデリングへのパラダイムシフトを示唆している。
  論文  参考訳（メタデータ） (2025-05-15T11:04:39Z)
• Towards Data-Efficient Pretraining for Atomic Property Prediction [51.660835328611626]
  タスク関連データセットでの事前トレーニングは、大規模な事前トレーニングと一致するか、あるいは超える可能性があることを示す。 本稿では,コンピュータビジョンのFr'echet Inception Distanceにインスパイアされた,化学類似度指数(CSI)を紹介する。
  論文  参考訳（メタデータ） (2025-02-16T11:46:23Z)
• Spatiotemporal Graph Neural Networks in short term load forecasting: Does adding Graph Structure in Consumption Data Improve Predictions? [0.0]
  短期的な負荷予測は、従来の電力システムや現代の電力システムにおいて重要な役割を果たす。 ほとんどのSTLFモデルは、過去のデータからの時間的依存を利用して将来の消費を予測する。 スマートメーターの普及により、そのデータは一時的な依存関係を含むことができる。 STGNNは、グラフとしてスマートメーター間の関係をモデル化することで、そのような相互関係を利用することができる。
  論文  参考訳（メタデータ） (2025-02-14T00:16:47Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• From RNNs to Foundation Models: An Empirical Study on Commercial Building Energy Consumption [3.355907772736553]
  商業ビルの短期エネルギー消費予測はスマートグリッドの運用に不可欠である。 スマートメーターとディープラーニングモデルは、複数の建物からの過去のデータを使用した予測を可能にするが、多様な建物からのデータの異質性は、モデルの性能を低下させる可能性がある。 我々は、米国の商業ビルのエネルギー消費データを提供するComStockデータセットを用いてこの問題に対処する。
  論文  参考訳（メタデータ） (2024-11-21T18:54:43Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• EWMoE: An effective model for global weather forecasting with mixture-of-experts [6.695845790670147]
  本研究では,地球規模の天気予報に有効なモデルであるEWMoEを提案する。 本モデルは,3次元絶対位置埋め込み,Mixture-of-Experts層,および2つの特定の損失関数の3つの重要な要素を組み込んで予測精度を向上させる。
  論文  参考訳（メタデータ） (2024-05-09T16:42:13Z)
• Impact of data for forecasting on performance of model predictive control in buildings with smart energy storage [0.0]
  モデルデータ効率を改善するための尺度の予測精度への影響を定量化する。 負荷予測モデルに2年以上のトレーニングデータを使用することで,予測精度が大幅に向上することはなかった。 再使用したモデルと3ヶ月のデータでトレーニングされたモデルでは、ベースラインよりも平均10%高いエラーがあった。
  論文  参考訳（メタデータ） (2024-02-19T21:01:11Z)
• 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。