論文の概要: Forecast lead time and the timing of crew deployment for weather-driven power outages using AI weather models
- arxiv url: http://arxiv.org/abs/2610.20918v1
- Date: Wed, 14 Oct 2026 20:48:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:16.069187
- Title: Forecast lead time and the timing of crew deployment for weather-driven power outages using AI weather models
- Title（参考訳）: AI気象モデルを用いた気象駆動型停電の予報リード時間と乗務員配置のタイミング
- Abstract要約: 乗組員配置において,予測リード時間が障害予測の価値にどのように影響するかを検討した。
予測は、乗組員が実行される郡によって捕獲された停止負担のシェアによって評価された。
要求されたすべての乗組員による初期の配備は、後期配備よりも少ない性能で性能を上げた。
- 参考スコア（独自算出の注目度）: 0.3186130813218338
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Utilities request mutual aid crews to restore power after severe storms, and requesting early secures more crews but relies on less accurate forecasts. We examined how forecast lead time affects the value of outage predictions for crew deployment, using operational forecasts from two AI weather models, GraphCast and FourCastNet, to predict outage occurrence for counties across the contiguous United States 24 to 120 hours ahead. Forecasts were evaluated by the share of outage burden captured by the counties where crews would be staged. Captured burden declined with lead time: the loss between three and five days was significant in all analyses, whereas the loss within three days was significant only for outages that had not yet started. Early deployment with all requested crews outperformed late deployment with fewer, and we report the availability ratio at which the two break even. Antecedent land surface predictors computed at forecast valid time include weather from the forecast period, which inflates their skill by 42 to 53% and reverses their apparent advantage over forecast meteorology at long lead times. Computed correctly, they improved occurrence skill by 17.5% at 24 hours but did not significantly change captured burden, a gap that attribution analysis linked to their static component. Prediction intervals covered only 0.476 of tropical cyclone events against a nominal 0.90. Calibration by hazard class corrected most of this shortfall at an 11% cost in interval width, as a diagnostic only, because hazard class is known only after the event.
- Abstract（参考訳）: ユーティリティーは、激しい嵐の後、相互支援の乗組員に電力の復旧を要請し、早期の確保を要求すれば、より多くの乗組員を確保できるが、より正確な予測には頼らない。
予報リードタイムが乗組員配置の停止予測の価値にどのように影響するかを, 連続した米国全土の2つのAI気象モデルであるGraphCastとFourCastNetの運用予測を用いて検討した。
予測は、乗組員が実行される郡によって捕獲された停止負担のシェアによって評価された。
3日から5日間の損失はすべての分析において有意なものであり、3日以内の損失は、まだ発生していない障害に対してのみ有意なものだった。
要求されたすべての乗組員による初期のデプロイメントは、後期デプロイメントよりも少ないパフォーマンスで、この2つが壊れた場合の可用性の比率を報告します。
予測有効時間で計算される有敵地表面予測器には、予測期間からの天気が含まれており、そのスキルは42～53%膨らみ、長いリード時間における予測気象に対する明らかな優位性を逆転させる。
正確に計算すると、24時間で発生スキルを17.5%向上させたが、捕獲負担は著しく変化しなかった。
予測間隔は、熱帯のサイクロン現象の0.476と、名目0.90をカバーしている。
ハザードクラスによる校正は、この不足のほとんどを11%の間隔幅で修正したが、これは診断のみであり、これはハザードクラスがイベント後にのみ知られているためである。
関連論文リスト
- Skillful forecasting of offshore winds from satellite scatterometer constellations [7.855049692954576]
WindCastNetは、オフショア風速と方向を示す新しい衛星ベースの流し込みフレームワークである。
WindCastNetは、衛星散乱計の星座から得られた観測からオフショア・ウィンドフィールドを予測する。
ルート平均二乗誤差を23%削減し、HARMONIE MEPSモデルと比較すると、それぞれ7%リードタイム1時間と2時間であり、最初の3回の予測時間では9～15%持続時間を上回っている。
論文 参考訳（メタデータ） (2026-07-29T17:31:20Z) - Achieving Skilled and Reliable Daily Probabilistic Forecasts of Wind Power at Subseasonal-to-Seasonal Timescales over France [1.772469080091925]
本稿では,ECMWF サブシーズン・シーズン天気予報を1日から46日間のリードタイムの風力予測に変換するパイプラインを提案する。
本手法は,連続的ランク付け確率スキルスコアとエンサンブル平均正方形誤差の両方の観点から,気候基準線を50%上回ることができることを示す。
論文 参考訳（メタデータ） (2025-11-20T09:05:39Z) - Multidata Causal Discovery for Statistical Hurricane Intensity Forecasting [4.887733645928834]
我々は、統計的ハリケーン強度予測スキーム(SHIPS)に基づく複製データセットを用いたマルチデータ因果探索フレームワークを活用する。
ハリケーンの強度変化と因果関係のある予測器を同定・選択する実験を行った。
我々は複数の線形回帰モデルを訓練し、因果的特徴選択を選択、相関、ランダムな森林特徴重要度なしで比較する。
論文 参考訳（メタデータ） (2025-10-02T14:23:51Z) - Testing the Limit of Atmospheric Predictability with a Machine Learning Weather Model [0.0]
我々は2020年の2日間の予測に勾配に基づく手法を用いて予測初期条件を最適化する。
このアプローチは10日で平均86%のエラー削減を達成し、スキルは30日以上続く。
論文 参考訳（メタデータ） (2025-04-28T20:18:57Z) - 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) - 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) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond
10 Days Lead [93.67314652898547]
人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。
FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。
その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
論文 参考訳（メタデータ） (2023-04-06T09:16:39Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳（メタデータ） (2022-11-03T17:19:43Z) - Short-term precipitation prediction using deep learning [5.1589108738893215]
気象フィールドの1つのフレームを用いた3次元畳み込みニューラルネットワークは降水空間分布を予測することができることを示す。
このネットワークは、気象学の39年 (1980-2018) のデータと、連続した米国上空の毎日の降水に基づいて開発されている。
論文 参考訳（メタデータ） (2021-10-05T06:37:24Z)
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。