論文の概要: Machine Learning for German Redispatch Forecasting under Data Delays and Temporal Distribution Shift

• arxiv url: http://arxiv.org/abs/2610.08337v1
• Date: Tue, 06 Oct 2026 13:35:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.011022
• Title: Machine Learning for German Redispatch Forecasting under Data Delays and Temporal Distribution Shift
• Title（参考訳）: データ遅延と時間分布シフトを考慮したドイツの再分散予測のための機械学習
• Abstract要約: 公共再パッチ記録は、グリッド混雑予測のための実証データを提供する。 確率論的機械学習予測の精度と信頼性を,ドイツの送信記録を用いて評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Public redispatch records provide empirical data for grid congestion forecasting, but delayed reporting, zero-inflated distributions, and temporal shift present major modeling challenges. We assess the accuracy and reliability of probabilistic machine-learning forecasts using published German transmission records under experimentally imposed information-age constraints. The benchmark evaluates eight daily series of upward and downward intervention energy across four German transmission system operators from 2021 to 2024 (48,242 eligible records; 354 evaluation dates in 2024). We compare seasonal empirical, regularized autoregressive (ARX), quantile LightGBM, GRU, and Transformer models under a minimum seven-day target-latency constraint. Neural architectures use a zero-censored output head to accommodate exact-zero outcomes. Static, rolling, and adaptive delayed-feedback calibration are evaluated using normalized weighted interval score (nWIS), empirical coverage, and block-bootstrap inference. Raw LightGBM achieved nWIS 0.7952, outperforming ARX (1.0604) and the seasonal baseline (0.8739) by 25.0% and 9.0%, respectively (Holm-adjusted p<0.005). Rolling calibration improved LightGBM to nWIS 0.7767 versus 0.8251 for static calibration (p=0.0092), with 91.81% coverage for nominal 90% intervals. The zero-censored Transformer achieved nWIS 0.8161, with no significant difference from LightGBM (p=0.260). However, aggregate coverage concealed substantial undercoverage during high-volume interventions (61.91% coverage among above-threshold events). These results show that boosted-tree models with rolling calibration provide accurate probabilistic forecasts of aggregate redispatch volumes under target delays, while nominal aggregate validity does not ensure reliability during extreme congestion events.
• Abstract（参考訳）: 公共再パッチ記録は、グリッド混雑予測のための経験的データを提供するが、遅延報告、ゼロ膨張分布、時間シフトは主要なモデリング課題である。 実験的な情報年齢制約下でのドイツ語の送信記録を用いて確率的機械学習予測の精度と信頼性を評価する。 このベンチマークは、2021年から2024年までの4つのドイツの送信システムの運用者(48,242件、2024年の354件)に対して、毎日8回、上下方向の介入エネルギーを評価している。 我々は、最低7日間の目標遅延制約の下で、経験的、正規化自己回帰(ARX)、量子LightGBM、GRU、Transformerモデルを比較した。 ニューラルネットワークはゼロセンセード出力ヘッドを使用して、正確なゼロ結果に対応する。 定常, 転動, 適応遅延フィードバックキャリブレーションは, 正規化重み付きインターバルスコア(nWIS), 経験的カバレッジ, ブロックブートストラップ推論を用いて評価した。 Raw LightGBM は nWIS 0.7952 を達成し、ARX (1.0604) と季節ベースライン (0.8739) をそれぞれ 25.0% と 9.0% で上回った(ホルム調整p<0.005)。 ローリングキャリブレーションによりLightGBMは0.7767、静的キャリブレーションは0.8251に改善され(p=0.0092)、91.81%は名目上の90%の間隔でカバーされた。 ゼロチャージ変換器は、LightGBM (p=0.260) と大きな違いはなく、nWIS 0.8161を達成した。 しかし、総包括的包括的包括的包括的包括的包括的包括的包括的包括的包括的包括的包括的介入 (61.91%の包括的包括的包括的包括的包括的包括的包括的包括的包括的包括的包括的包括的包括的包括的包括的包括的包括的包括的包括的包括的包括的包有的包括的包括的包有的包有 これらの結果から, 転がりキャリブレーションを施した増木モデルにより, 目標遅延下での集合再分散体積の正確な確率予測が得られた。

関連論文リスト

• DSWM: Decomposed Spatio-Temporal World Model for Demand-Driven UAV Base Station Repositioning [44.08640139884205]
  本稿では,航空基地局に対する需要駆動型艦隊最適化手法を提案する。 本研究では,指数移動平均(EMA)に基づく潜在予測目標を分散正則化を用いて再帰的状態空間モデルとして学習する。 毎週のサービス提供比率は0.889、0.908、0.898で、データセットごとの非拡張構成の中では第1位です。
  論文  参考訳（メタデータ） (2026-09-29T06:56:46Z)
• Rollcast: Proper-Score Gated Rolling Anchors for Adaptive Probabilistic Time-Series Forecasting [0.0]
  ローリングは、中央値、極端値、回帰エンドポイント、および量子化が候補予測位置を定義することを意味する。 状態依存ソフトマックスゲートは、負の対数予測密度を最小化してアンカー確率を学習する。 再帰シミュレーションは、結果の混合を複数の予測水平線上で伝播する。
  論文  参考訳（メタデータ） (2026-09-03T18:50:29Z)
• PGP-Clinical-TimeKAN: Prior-Guided Joint Probabilistic Forecasting of Clinical Trajectories [33.074550441856196]
  PGP-Clinical-TimeKANは多変量生理学の合同確率予測のための軌道優先のフレームワークである。 欠如を意識した時間エンコーダ、ソフトオルガン前駆体、患者固有の関係、非線形コルモゴロフ・アルノルドメッセージ、低ランクの多変量学生-tヘッドを組み合わせる。
  論文  参考訳（メタデータ） (2026-08-24T23:33:35Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• FASE : A Fairness-Aware Spatiotemporal Event Graph Framework for Predictive Policing [0.0]
  予測犯罪リスクのみに基づいてパトロール資源を割り当てる予測的警察システムは、フィードバック駆動データを通じて意図せずに人種格差を増幅することができる。 本稿では,犯罪予測と公正な制約付きパトロールアロケーションと閉ループ展開フィードバックシミュレータを組み合わせた,時間的イベントグラフフレームワークFASEを提案する。 割り当てレベルの公平性だけでは、データの再トレーニングにおけるフィードバック誘起バイアスを排除せず、完全なパイプライン全体にわたる公平な介入の必要性を強調します。
  論文  参考訳（メタデータ） (2026-04-19T21:22:45Z)
• Bayesian Transformer for Probabilistic Load Forecasting in Smart Grids [0.0]
  本研究では,3つの相補的不確実性機構をPatchTSTバックボーンに統合したベイズ変圧器フレームワークを提案する。 7段階のマルチクエンタリーピンボールロス予測ヘッドと、訓練後の等音波回帰キャリブレーションにより、鋭く、ほぼ一意にカバーされた予測間隔が生成される。 主要なベンチマーク(PJM, H=24h)では、BTは0.0289のCRPSを達成し、Deep Ensemblesより7.4%、決定論的LSTMより29.9%改善した。
  論文  参考訳（メタデータ） (2026-03-09T02:39:51Z)
• Variational Inference for Bayesian MIDAS Regression [0.0]
  線形重みパラメータージネーションを用いた回帰のための座標アセント変分推論 (CAVI) アルゴリズムを開発した。 CAVIは、107xから1,772xのスピードアップを達成しつつ、ブロックギブスサンプリングベンチマークとほぼ同一の後方手段を生成する。 重み関数パラメータは、すべてのcon gurationに対して優れたキャリブレーション(カバーは92%以上)を維持している。
  論文  参考訳（メタデータ） (2026-02-23T08:51:26Z)
• Benchmarking IoT Time-Series AD with Event-Level Augmentations [34.864214444544565]
  実世界の問題をシミュレートする統合されたイベントレベル拡張による評価プロトコルを提案する。 5つの公開異常データセット上で14の代表的なモデルを評価する。
  論文  参考訳（メタデータ） (2026-02-17T09:45:44Z)
• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)

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。