論文の概要: From Shared Demand Patterns to Local Uncertainty: Probabilistic Load Forecasting by Mixing Compact Adaptations

• arxiv url: http://arxiv.org/abs/2610.08538v1
• Date: Tue, 06 Oct 2026 15:27:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.082089
• Title: From Shared Demand Patterns to Local Uncertainty: Probabilistic Load Forecasting by Mixing Compact Adaptations
• Title（参考訳）: 共有需要パターンから局所不確実性へ:コンパクト適応の混合による確率的負荷予測
• Abstract要約: 我々は、共通需要行動を学ぶ顧客対応予測フレームワークを、共有モデルにより開発する。 SMART-DSデータセットからの590のロードプロファイルの実験では、決定論的精度と確率的品質が一貫して改善されている。
• 参考スコア（独自算出の注目度）: 9.019348606129558
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Probabilistic load forecasting has been widely studied for power-system operation and planning, but customer- and transformer-level forecasting introduces a distinct scalability challenge. At these levels, load uncertainty is strongly affected by customer behavior, weather, and mixed load composition, making it difficult for a single shared model to capture heterogeneous patterns. Using separate probabilistic models can improve local accuracy, but becomes costly to train, store, update, and validate at scale. To address this challenge, we develop a scalable customer-aware forecasting framework that learns common demand behavior through a shared model while adapting only a compact subset of parameters. Rather than using an independent model for each load or assigning each load to a specialized model, the proposed design learns a small bank of low-dimensional adaptation components and allows each load to combine them according to its forecasting characteristics. This preserves shared knowledge across customers while providing sufficient flexibility for heterogeneous and mixed load compositions. Experiments on 590 load profiles from the SMART-DS dataset show consistent improvements in deterministic accuracy and probabilistic quality over statistical, neural-network, Transformer-based, and pretrained time-series baselines, while retaining low storage and inference costs.
• Abstract（参考訳）: 確率的負荷予測は、電力系統の運用と計画のために広く研究されてきたが、顧客レベルの予測とトランスフォーマーレベルの予測は、異なるスケーラビリティの課題をもたらす。 これらのレベルでは、負荷の不確実性は顧客の行動、天気、混合負荷構成に強く影響され、単一の共有モデルが異種パターンをキャプチャすることが困難になる。 個別の確率モデルを使用することで、局所的精度を向上させることができるが、大規模にトレーニング、保存、更新、検証を行うのにコストがかかる。 この課題に対処するために、我々は、パラメータのコンパクトなサブセットのみを適用しながら、共有モデルを通して共通の需要行動を学ぶスケーラブルな顧客対応予測フレームワークを開発する。 提案設計では,各負荷に対して独立モデルを用いることや,各負荷を特化モデルに割り当てる代わりに,低次元適応部品の小さなバンクを学習し,各負荷を予測特性に応じて組み合わせることができる。 これは、異種と混在するロード構成に対して十分な柔軟性を提供しながら、顧客間での共有知識を保存する。 SMART-DSデータセットからの590のロードプロファイルの実験では、低ストレージと推論コストを維持しながら、統計的、ニューラルネット、トランスフォーマーベース、事前訓練された時系列ベースラインよりも決定論的精度と確率的品質が一貫して改善されている。

関連論文リスト

• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• CLVAE: A Variational Autoencoder for Long-Term Customer Revenue Forecasting [1.2387676601792899]
  スパースおよび不規則な取引データから顧客長期的な収益を予測することは、非契約環境でのマーケティングリソースの割り当ての中心である。 従来の確率論的顧客ベースモデルは、強い構造的仮定を示唆することによって、堅牢な長期予測を提供する。 本稿では,プロセスベースで確立された属性・トランザクション・スペンドモデルの確率を保存する変動型オートコーダモデルを提案する。
  論文  参考訳（メタデータ） (2026-04-24T15:12:57Z)
• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• CO-PFL: Contribution-Oriented Personalized Federated Learning for Heterogeneous Networks [51.43780477302533]
  コントリビューション指向型PFL(CO-PFL)は,グローバルアグリゲーションに対する各クライアントのコントリビューションを動的に推定するアルゴリズムである。 CO-PFLは、パーソナライズ精度、堅牢性、スケーラビリティ、収束安定性において、最先端の手法を一貫して超越している。
  論文  参考訳（メタデータ） (2025-10-23T05:10:06Z)
• Hybrid-Regularized Magnitude Pruning for Robust Federated Learning under Covariate Shift [2.298932494750101]
  クライアント側トレーニング分布の不整合がフェデレート学習モデルの性能を著しく低下させることを示す。 本稿では,ニューラルネットワークの疎結合性,冗長性,堅牢性を改善するために,フラニングとクライアントトレーニングの正規化を組み合わせた新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-19T16:22:37Z)
• Test-Time Alignment via Hypothesis Reweighting [56.71167047381817]
  大規模な事前訓練されたモデルは、しばしば未指定のタスクで苦労する。 テストタイムのユーザ意図にモデルを整合させるという課題に対処する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-11T23:02:26Z)
• Federated Bayesian Deep Learning: The Application of Statistical Aggregation Methods to Bayesian Models [0.9940108090221528]
  集約戦略は、分散決定論的モデルの重みとバイアスをプールまたはフューズするために開発されている。 決定論的モデルに対するFLスキームに付随するアグリゲーション手法の簡単な適用は不可能か、あるいは準最適性能をもたらすかを示す。
  論文  参考訳（メタデータ） (2024-03-22T15:02:24Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Additive stacking for disaggregate electricity demand forecasting [1.0499611180329804]
  将来のグリッド管理システムは、分散生産と貯蔵資源を協調して管理し、コスト効率の良い方法で、輸送の電化と天候依存生産の高割合による負荷と変動を増大させる。 世帯ごとの消費パターンの不均一性や信号対雑音比の低さから、総需要予測よりも困難である各世帯レベルでの需要予測に焦点をあてる。 特に,需要動態の異なるモデルや「専門家」を開発し,各世帯のデータに適合させる。 そして、アンサンブルが重みを持つ専門家の集合を構築します。
  論文  参考訳（メタデータ） (2020-05-20T14:54:22Z)

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。