Fugu-MT 論文翻訳(概要): A Model-Agnostic Correction Framework for Short-Term Building Load Forecasting

論文の概要: A Model-Agnostic Correction Framework for Short-Term Building Load Forecasting

arxiv url: http://arxiv.org/abs/2610.31959v1
Date: Thu, 22 Oct 2026 22:07:33 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-27 01:38:06.303947
Title: A Model-Agnostic Correction Framework for Short-Term Building Load Forecasting
Title（参考訳）: 短期建築負荷予測のためのモデル非依存補正フレームワーク
Abstract要約: WeL-RAC(WeL-RAC)を提案する。 WeL-RACは3つのデータセット,8つの予測バックボーン,4つの水平線を1時間から18時間にわたって31のビルディングケースで評価した。
参考スコア（独自算出の注目度）: 3.2507797440393884
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Short-term building load forecasting remains challenging because load patterns can change rapidly with weather and operating conditions. Data-driven forecasting models may become less reliable when the current operating regime is rare or poorly represented during training, even when similar situations exist elsewhere in the historical record. Recent advances in retrieval-augmented time series forecasting offer a promising way to adapt predictions to changing conditions by directly reusing relevant historical cases at inference time. Motivated by this idea, we propose WeL-RAC, a model-agnostic Weather-Load Retrieval-Augmented Correction framework that explicitly retrieves such evidence at prediction time. WeL-RAC retrieves historical cases that are similar to the current condition based on both recent load states and horizon-aligned weather forecasts. Their observed future load trajectories are then aggregated and used to correct the initial prediction, without retraining or modifying the base forecaster. We evaluate WeL-RAC on 31 building cases across three datasets, eight forecasting backbones, and four horizons from 1 to 18 hours. The framework improves the corresponding base forecasters in 90 of 96 dataset-level comparisons. Beyond accuracy, success and failure case studies further illustrate the framework's interpretability by tracing how retrieved historical evidence improves or degrades forecasts. These findings support explicit historical retrieval as an effective and interpretable complement to the building load forecasting.
Abstract（参考訳）: 気象や運転条件で負荷パターンが急速に変化するため、短期的な建築負荷予測は依然として困難である。データ駆動予測モデルは、現在の運用体制がトレーニング中に稀に、あるいは不十分に表現されている場合、たとえ過去の記録に類似した状況があるとしても、信頼性が低下する可能性がある。検索強化時系列予測の最近の進歩は、推測時に関連する歴史的事例を直接再利用することによって、予測を変化条件に適応させる有望な方法を提供する。このアイデアに触発されたWeL-RACは,予測時にその証拠を明示的に検索する,モデルに依存しない気象情報検索・拡張補正フレームワークである。 WeL-RACは、最近の負荷状態と水平方向の天気予報の両方に基づいて、現在の状況と類似した歴史的事例を検索する。観測された将来の負荷軌跡は集約され、ベース予測器を再訓練したり修正したりすることなく、初期予測の修正に使用される。 WeL-RACは3つのデータセット,8つの予測バックボーン,4つの水平線を1時間から18時間にわたって31のビルディングケースで評価した。このフレームワークは96のデータセットレベル比較のうち90のベース予測器を改善している。正確性を超えて、成功と失敗のケーススタディは、回収された歴史的な証拠がどのように改善され、予測が劣化するかを追跡することによって、フレームワークの解釈可能性をさらに説明します。これらの知見は, 建物負荷予測の有効かつ解釈可能な補完として, 明確な歴史的検索を支援する。

関連論文リスト

Look Back, Correct Forward: Error Feedback Calibration for Time Series Forecasting [14.070628827463551]
時系列予測の定式化後補正のための完全テスト時間フレームワークであるエラーフィードバック(EFC)を紹介する。 EFCは、重複する歴史的予測の誤りを明らかにするために、因果誤差対角線(CED)を構築している。この誤差状態を累積推定を用いて将来の残差にマッピングし、時間外検証は補正強度を制御する。
論文参考訳（メタデータ） (2026-10-16T03:22:18Z)
SEER: Self-Evolving Event Reasoning and Retrieval for Time Series Forecasting [78.20370240878118]
時系列予測のためのイベントコンディショニングを動的に最適化するクローズドループフレームワークSEER(Self-Evolving Event Reasoning and Retrieval)を提案する。 SEERは予測エラーを2つの分離されたフィードバックメカニズムに変換する。イベント検索とリフレクションの両方にわたって厳格な時間境界を強制し、ルックアヘッドバイアスとデータ漏洩を防止する。
論文参考訳（メタデータ） (2026-10-02T22:30:10Z)
Proper Scoring Rule-based Diffusion for Probabilistic Weather Forecasting [59.015610520217734]
我々は,コンテキストとその劣化バージョンから,同じ将来状態を予測できる補助的条件記述タスクを導入する。推測時には、予測器は、完全に破損したエンドポイントにおいて、単一の前方通過で各アンサンブル部材を生成することができる。
論文参考訳（メタデータ） (2026-09-29T22:47:10Z)
Repurposing Deep Limit Order Book Forecasting for Scenario-Conditioned Market Impact Modeling [49.590388401787834]
本稿では,機械的に有効な反事実メッセージの注入前後の予測者の予測分布を比較するモデルに依存しないフレームワークを提案する。トランスフォーマーをベースとした予測器は、スピアマンの相関関係を0.99と97.2%と、実現した歴史的成果との方向性の一致で、シナリオランキングを回復した。
論文参考訳（メタデータ） (2026-09-15T10:06:03Z)
From Narrative to Auditable Forecasts: A Structured Scaffold for Agentic Forecasting [28.10023756949099]
AuditForecastは構造化確率予測のためのエージェント的な足場である。予測を適切な定量的ベースラインモデルで固定し、モデル誘導データ検索を使用してベース確率を導出し、モデルの範囲外で状況要因を更新する。 AuditForecastは、予測構築を明確にし、系統的なポストホック分析をサポートする監査可能な予測レポートを生成する。
論文参考訳（メタデータ） (2026-09-05T05:58:39Z)
Bridging the Last Mile of Time Series Forecasting with LLM Agents [0.6416429054645992]
実世界の予測設定では、統計的に妥当なベースラインが実際に使われる最後の予測となることは滅多にない。この実践的な段階は、予測文学において未解明のままである。予測バックボーン上に位置するLDMエージェントフレームワークを提案する。
論文参考訳（メタデータ） (2026-06-01T17:03:40Z)
Position: Beyond Model-Centric Prediction -- Agentic Time Series Forecasting [49.05788441962762]
エージェント時系列予測(ATSF)は,認識,計画,行動,反射,記憶からなるエージェントプロセスとして再編成される。ワークフローに基づく設計、エージェント強化学習、ハイブリッドエージェントワークフローパラダイムという3つの代表的な実装パラダイムを概説し、モデル中心の予測からエージェント予測に移行する際に生じる機会と課題について議論する。
論文参考訳（メタデータ） (2026-02-02T08:01:11Z)
Long-Term Typhoon Trajectory Prediction: A Physics-Conditioned Approach Without Reanalysis Data [18.321586950937647]
本稿では,リアルタイム統一モデル(UM)データを活用する手法を提案する。本モデルでは,6時間間隔で72時間前処理を行い,最新データ駆動モデルと数値天気予報モデルとを比較検討した。
論文参考訳（メタデータ） (2024-01-28T18:28:33Z)
Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
論文参考訳（メタデータ） (2023-10-24T22:59:56Z)
Counterfactual Explanations for Time Series Forecasting [14.03870816983583]
本稿では,時系列予測における対実生成の新たな問題を定式化し,ForecastCFと呼ばれるアルゴリズムを提案する。 ForecastCFは、勾配に基づく摂動を元の時系列に適用することで、この問題を解決する。以上の結果から,ForecastCFは,逆ファクト的妥当性とデータ多様体の近接性の観点から,ベースラインよりも優れていた。
論文参考訳（メタデータ） (2023-10-12T08:51:59Z)
Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。