論文の概要: OutageDiT: A Generative Foundation Model for Power Outage Forecasting and Scenario Simulation

• arxiv url: http://arxiv.org/abs/2609.01896v1
• Date: Tue, 01 Sep 2026 21:54:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:17.989775
• Title: OutageDiT: A Generative Foundation Model for Power Outage Forecasting and Scenario Simulation
• Title（参考訳）: OutageDiT: 停電予測とシナリオシミュレーションのための生成ファンデーションモデル
• Abstract要約: OutageDiTは、クォーター時間解像度で7日間の停止軌跡を生成する基盤モデルである。 条件エンコーダは、予測毎に1回、履歴コンテキストと既知の未来のco変数を処理します。 浅い流れデコーダは、結果として生じる水平方向の状態を再利用し、完全な軌道を生成する。
• 参考スコア（独自算出の注目度）: 15.111545350167729
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Power-outage planning requires scenarios before an event occurs. These scenarios must represent uncertainty in magnitude, timing, and duration while preserving temporal dependence. However, severe events are rare, and data from any single region contain few examples of extreme outage and restoration patterns. To address this challenge, we introduce OutageDiT, a foundation model for generating seven-day outage trajectories at quarter-hour resolution, trained on outage and weather records across the United States. Specifically, a condition encoder processes the historical context and known future covariates once per forecast, and a shallow flow decoder reuses the resulting horizon-aligned states to generate complete trajectories. The resulting samples support point forecasting, uncertainty quantification, and conditional event simulation within one deep generative model. Across outage forecasting benchmarks, OutageDiT improves forecast accuracy and scenario quality over strong baselines and supports zero-shot transfer to held-out regions. Together, these results position conditional outage simulation as a bridge from outage forecasting to operational planning under uncertainty.
• Abstract（参考訳）: 停電計画には、イベントが発生する前にシナリオが必要である。 これらのシナリオは、時間的依存を保ちながら、大きさ、タイミング、期間の不確実性を表す必要がある。 しかし、重篤な出来事は稀であり、各地域からのデータには、極端な機能停止や回復パターンの例がほとんどない。 この課題に対処するために、米国中の停電および気象記録に基づいて訓練された、クォーター時間解像度で7日間の停電軌跡を生成する基盤モデルであるOutageDiTを紹介した。 具体的には、条件エンコーダが予測毎に履歴コンテキストと既知の未来の共変を処理し、浅い流れデコーダが結果の水平方向整合状態を再利用して完全な軌道を生成する。 得られたサンプルは、ある深い生成モデル内での点予測、不確実な定量化、条件付き事象シミュレーションをサポートする。 障害予測ベンチマーク全体において、OutageDiTは、強いベースラインよりも予測精度とシナリオ品質を改善し、ホールドアウトリージョンへのゼロショット転送をサポートする。 これらの結果から,障害予測から不確実性を考慮した運用計画へのブリッジとして,条件付き停止シミュレーションを位置づけた。

関連論文リスト

• Data Leakage Inflates Generalizability of Power Outage Prediction Models [0.9558392439655014]
  一般化能力に影響を与える停電予測モデルにおける3つの一般的な方法論的選択を同定する。 2018年から2023年にかけて、米国東海岸で公開されているデータを用いて、さまざまな方法論決定の予測的パフォーマンスへの影響を比較した。 ランダムな列車試験の分割は高い性能をもたらすが、これらの結果は空間的および時間的自己相関によって膨らませられることを示す。 これらの結果は、現在のデータ可用性と評価のプラクティスを考えると、公的に訓練された停止予測モデルが限られた運用価値と不確実な運用価値を提供することを示唆している。
  論文  参考訳（メタデータ） (2026-08-25T15:05:55Z)
• Cloud-Edge Collaborative Large Models for Robust Photovoltaic Power Forecasting [10.936533381499016]
  本稿では,PV予測のための条件適応型クラウドエッジ協調フレームワーク*CAPE*を提案する。 CAPE*は3つの主要なモジュールから構成される: ルーチン予測のためのサイト固有のエキスパートモデル、局所推論を強化する軽量エッジサイドモデル、クラウドベースの大規模検索モデル。 2つの実世界のPVデータセットの実験では、*CAPE*は精度、堅牢性、ルーティング品質、システム効率の予測において優れたパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2026-03-21T20:09:22Z)
• Agentic Workflow Using RBA$_θ$ for Event Prediction [0.0]
  風力ランプのイベントは、強い変動性、マルチスケールのダイナミクス、およびサイト固有の気象効果のために予測が難しい。 本稿では、ランプイベントを直接予測し、その後に電力軌道を再構築するイベントファースト・周波数対応予測パラダイムを提案する。
  論文  参考訳（メタデータ） (2026-02-05T13:03:15Z)
• Probabilistic NDVI Forecasting from Sparse Satellite Time Series and Weather Covariates [1.1503354666872168]
  植生動態の正確な短期予測は、精密農業におけるデータ駆動型意思決定支援の鍵となる。 衛星観測によるNDVIの予測は、雲の被覆によって引き起こされるスパースと不規則なサンプリングのため、依然として困難である。 本研究では,フィールドレベルのNDVI予測のための確率的予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-04T17:48:52Z)
• 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)
• DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
  トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。 本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
  論文  参考訳（メタデータ） (2025-10-28T16:09:59Z)
• 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)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Normalizing Flow-based Day-Ahead Wind Power Scenario Generation for Profitable and Reliable Delivery Commitments by Wind Farm Operators [62.997667081978825]
  本稿では,予測情報を利用して,日頭スケジューリング問題における特定の利用シナリオを生成するシナリオ生成手法を提案する。 特に,日頭風速予測を用いて,そのシナリオを特定の日に合わせて調整する条件分布から,正規化フローを用いて風力発電シナリオを生成する。 本稿では,風力発電者の日頭入札問題に生成シナリオを適用し,そのシナリオが有益で信頼性の高い意思決定をもたらすかどうかに着目した統計的分析を行う。
  論文  参考訳（メタデータ） (2022-04-05T14:27:25Z)
• 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。