論文の概要: Forecasting Voltage Time Series under Anomalies Using a WGAN Model With Lipschitz Control and Progressive Kernel Critic Strategy
- arxiv url: http://arxiv.org/abs/2610.23394v2
- Date: Mon, 19 Oct 2026 11:30:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 06:32:45.333183
- Title: Forecasting Voltage Time Series under Anomalies Using a WGAN Model With Lipschitz Control and Progressive Kernel Critic Strategy
- Title（参考訳）: リプシッツ制御とプログレッシブカーネル批判戦略を用いたWGANモデルによる異常時の電圧時系列予測
- Abstract要約: 本稿では,プログレッシブリプシッツペナルティと適応カーネルを備えたWasserstein GANを用いる。
提案手法は,WGAN-CLP (Wasserstein GAN) と適応カーネルを用いて,ストリーミング電圧時系列の変動をモデル化したディープラーニングフレームワークである。
本評価は,WGAN-CLPを適応カーネルフレームワークを用いて,電圧およびエネルギー時系列データセット間のシーケンス変化を予測できることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In time-series forecasting tasks, the use of recursive forecasting on high-dimensional data substantially increases the complexity of the prediction process. The main challenge is that long-term dynamics becomes harder to model, since the sequences show greater temporal variability. To counteract this limitation and improve the modeling of long-term dynamics, and more importantly, address high-dimensional recursive forecasting, this paper uses a Wasserstein GAN equipped with a progressive Lipschitz penalty and an adaptive kernel. This model is capable of taking a window of the data stream and forecasting the next values, subsequently reconstructing the time-series stream and dynamically adapting its kernel to each new window. The proposed model is a deep learning framework based on a Wasserstein GAN (WGAN-CLP) with an adaptive kernel to model alterations in streaming voltage time series. To establish the methodological foundation, we review the WGAN-LP formulation another variant model in this class and extend its framework through an adaptive kernel critic model. We then evaluate this extended model using power ratios, correlation coefficient (CC), and relative root mean squared error (RRMSE). The experimental results demonstrate that the proposed model outperforms benchmark methods in both accuracy and robustness. The evaluation shows promising performance of the WGAN-CLP with an adaptive kernel framework in forecasting sequence alterations across the voltage and energy time-series datasets.
- Abstract（参考訳）: 時系列予測タスクでは、高次元データに再帰予測を用いることで、予測プロセスの複雑さが大幅に増大する。
主な課題は、シーケンスの時間的変動が大きいため、長期的ダイナミクスのモデル化が難しくなることである。
この制限に対処し、長期力学のモデリングを改善するため、より重要なことは、高次元再帰予測に対処するために、プログレッシブリプシッツペナルティと適応カーネルを備えたワッサーシュタインGANを用いる。
このモデルは、データストリームのウィンドウを取得し、次の値を予測し、その後時系列ストリームを再構築し、そのカーネルを新しいウィンドウに動的に適応させることができる。
提案手法は,WGAN-CLP (Wasserstein GAN) と適応カーネルを用いて,ストリーミング電圧時系列の変動をモデル化したディープラーニングフレームワークである。
方法論の基礎を確立するため,このクラスでWGAN-LPの別の変種モデルについて検討し,適応的なカーネル評論家モデルによりそのフレームワークを拡張した。
次に、パワー比、相関係数(CC)、相対根平均二乗誤差(RRMSE)を用いて、この拡張モデルを評価する。
実験の結果,提案手法は精度とロバスト性の両方でベンチマーク手法より優れていた。
本評価は,WGAN-CLPを適応カーネルフレームワークを用いて,電圧およびエネルギー時系列データセット間のシーケンス変化を予測できることを示す。
関連論文リスト
- RAVEN: Real-time Autoregressive Video Extrapolation with Consistency-model GRPO [53.38929612273108]
因果自己回帰ビデオ拡散モデルは、以前生成されたコンテンツから将来のチャンクを外挿することでリアルタイムストリーミング生成をサポートする。
本稿では,リアルタイム自動回帰ビデオ補間ネットワーク(RAVEN)を紹介した。これは,各自己ロールアウトを,クリーンな歴史的エンドポイントのインターリーブシーケンスに再パッケージするトレーニングタイムテストフレームワークである。
論文 参考訳（メタデータ） (2026-05-14T17:59:30Z) - 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) - Preserving Temporal Dynamics in Time Series Generation [0.2099922236065961]
時系列データの増大は回帰指向予測タスクにおいて重要な役割を果たす。
既存のアプローチは主に、限界データ分布のマッチングに重点を置いている。
モデルに依存しないマルコフ・チェイン・モンテカルロフレームワークを提案し、分布シフトを緩和し、時間的ダイナミクスを保存する。
論文 参考訳（メタデータ） (2026-04-29T20:32:45Z) - Bayesian Models for Joint Selection of Features and Auto-Regressive Lags: Theory and Applications in Environmental and Financial Forecasting [0.9208007322096533]
自動相関誤差を伴う線形回帰における変数選択のためのベイズ的フレームワークを開発する。
本フレームワークは,MSPEの低減,真のモデル成分同定の改善,自動相関ノイズとの整合性の向上を実現している。
既存の手法と比較して,本フレームワークはより低いMSPEを実現し,真のモデル成分の同定が向上し,自動相関ノイズとの整合性が向上する。
論文 参考訳（メタデータ） (2025-08-12T18:44:36Z) - HiPPO-KAN: Efficient KAN Model for Time Series Analysis [8.282069955797171]
我々は、HiPPO理論をコルモゴロフ・アルノルドネットワーク(KAN)フレームワークに導入する。
このHiPPO-KANモデルは、パラメータ数を増大させることなく、長いシーケンスデータに対して優れた性能を達成する。
また,時系列予測モデルでよく発生する遅延問題にも対処する。
論文 参考訳（メタデータ） (2024-10-19T02:03:50Z) - Scalable Spatiotemporally Varying Coefficient Modelling with Bayesian Kernelized Tensor Regression [17.158289775348063]
カーネル化されたテンソル回帰(BKTR)は、低ランクの時間構造を持つモデリングプロセスに対する新しいスケーラブルなアプローチと考えられる。
そこで本研究では,BKTRのモデル推定と推定において,BKTRの優れた性能と効率性を確認した。
論文 参考訳（メタデータ） (2021-08-31T19:22:23Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - Autoregressive Dynamics Models for Offline Policy Evaluation and
Optimization [60.73540999409032]
表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。
また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
論文 参考訳（メタデータ） (2021-04-28T16:48:44Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z)
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。