論文の概要: State Transport Routing for Short-horizon Adaptation in Multi-horizon Photovoltaic Forecasting

• arxiv url: http://arxiv.org/abs/2609.36926v1
• Date: Tue, 29 Sep 2026 07:42:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.289411
• Title: State Transport Routing for Short-horizon Adaptation in Multi-horizon Photovoltaic Forecasting
• Title（参考訳）: マルチホライゾン太陽光発電予報における短軸適応のための状態輸送ルーティング
• Abstract要約: 最近の電力測定は、太陽光発電(PV)電力予測に貴重な情報を提供する。 しかし、短期的な傾向を直接外挿すると、長期予測の地平線よりもかなりの誤差が生じる可能性がある。 本研究では,凍結予測モデルの予測を洗練させる軽量アダプタである状態輸送ルーティング(STR)を提案する。
• 参考スコア（独自算出の注目度）: 1.6028290648973895
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Recent power measurements provide valuable information for photovoltaic(PV) power forecasting, but directly extrapolating short-term trends can introduce substantial errors over longer forecast horizons. To address this challenge, we propose state transport routing (STR), a lightweight adapter that refines the predictions of a frozen forecasting model. STR combines the original forecast with two complementary trajectories derived from the latest measured power level and its recent trend. A horizon-conditioned router adjusts their contributions over the first 120 min, while leaving subsequent predictions unchanged. Experiments on four public PV datasets show that STR consistently outperforms a parameter-matched residual adapter. On PVDAQ, the same approach improves five neural forecasting backbones, reducing all-horizon normalized mean absolute error by 0.0201-0.2364 percentage points, with paired 95% confidence intervals excluding zero. No reliable improvement is observed for LightGBM. These findings demonstrate the potential of structured state adaptation to improve short-term forecasting across different neural architectures without retraining the underlying models or altering their longer-horizon predictions.
• Abstract（参考訳）: 近年の電力測定は、太陽光発電(PV)電力予測に有用な情報を提供するが、短期的な傾向を直接外挿することで、より長い予測地平線にかなりの誤差をもたらす可能性がある。 この課題に対処するために、凍結予測モデルの予測を洗練させる軽量アダプタである状態輸送ルーティング(STR)を提案する。 STRは、最初の予測と、最新の測定パワーレベルと最近の傾向から導かれた2つの相補的な軌道を組み合わせている。 水平条件付きルータは、最初の120分でコントリビューションを調整し、その後の予測は変わらない。 4つの公開PVデータセットの実験では、STRはパラメータマッチングされた残留アダプタよりも一貫して優れていた。 PVDAQでは、同じアプローチで5つの神経予測バックボーンを改善し、全水平正規化平均絶対誤差を0.0201-0.2364ポイント削減し、ゼロを除く95%の信頼区間をペアにした。 LightGBMでは信頼性の向上は見られない。 これらの結果は、基礎となるモデルを再訓練したり、より長期の予測を変更することなく、異なるニューラルネットワーク間の短期的な予測を改善するための構造化状態適応の可能性を示している。

関連論文リスト

• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
  我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。 ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
  論文  参考訳（メタデータ） (2026-05-07T20:25:28Z)
• TaPD: Temporal-adaptive Progressive Distillation for Observation-Adaptive Trajectory Forecasting in Autonomous Driving [10.160418242076284]
  軌道予測は自律走行に必須であり、車両は周囲のエージェントの動きを予測できる。 可変履歴長下での観測適応軌道予測のための統一的なプラグアンドプレイフレームワークであるTaPDを提案する。 Argoverse 1 と Argoverse 2 の実験は、TaPD が全ての観測範囲で強い基底線を一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-03-06T12:51:32Z)
• EMFormer: Efficient Multi-Scale Transformer for Accumulative Context Weather Forecasting [34.793750131438934]
  長期の天気予報は社会経済計画や災害に備える上で重要である。 本稿では,事前学習,微調整,予測にまたがる新しいパイプラインを提案する。 トレーニングと推論の両方において単一の畳み込みによってマルチスケール特徴を抽出する効率的なマルチスケールトランス (EMFormer) を提案する。
  論文  参考訳（メタデータ） (2026-02-01T12:36:01Z)
• EMForecaster: A Deep Learning Framework for Time Series Forecasting in Wireless Networks with Distribution-Free Uncertainty Quantification [11.88654374102813]
  我々は、textitEMForecasterと呼ばれるディープラーニング(DL)時系列予測フレームワークを開発した。 EMForecasterは、短期と長期の両方の予測地平線にまたがって、さまざまなデータセットで優れたパフォーマンスを実現している。 ポイント予測タスクでは、EMForecasterは現在の最先端のDLアプローチを大きく上回り、Transformerアーキテクチャよりも53.97%、ベースラインモデルの平均より38.44%改善している。
  論文  参考訳（メタデータ） (2025-03-31T18:10:08Z)
• Improving sub-seasonal wind-speed forecasts in Europe with a non-linear model [0.0]
  本研究では,500hPaの地磁気高度(Z500)と表面風速との非線形関係を利用して,ヨーロッパにおけるサブシーズン風速予測能力を向上する可能性について検討した。 提案するフレームワークは、MLR(Multiple Linear Regression)またはCNN(Convolutional Neural Network)を用いて、表面風速をZ500から推算する。
  論文  参考訳（メタデータ） (2024-11-28T11:53:59Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。