论文提出分布式 JEPA 能源预测框架
论文AI 评分 65/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
新研究提出分布式联合嵌入预测架构（JEPA），用于异构能源时间序列的自监督学习。该框架预测被遮蔽时间段的潜在表示，并结合协方差与时间方差正则化防止表征坍塌。在数据缺失场景下评估显示，其表征稳定性高，在未见过的光伏数据上表现优于 Transformer 基线，且对缺失数据更具鲁棒性。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载解决传统方案局限
传统能源预测方案通常依赖特定任务的监督和能源资产表示，这限制了模型的迁移性，也难以捕捉异构资产间通用的时序动态。为了解决这一问题，研究团队提出了分布式联合嵌入预测架构（JEPA）。该框架旨在通过自监督学习从异构能源时间序列中提取特征，不再局限于单一任务或特定资产类型。
架构设计与训练
该框架的核心在于预测被遮蔽时间段的潜在表示，并在共享嵌入空间内整合时间观测值与上下文信息。为了防止表征坍塌，训练过程结合了潜在空间预测目标，并引入了协方差和时间方差正则化技术。这种设计旨在确保模型能够学习到稳定且具有判别力的特征表示，即使在面对复杂多变的能源数据时也能保持有效性。
实验评估结果
研究在能源消耗和发电数据集上进行了评估，模拟了数据退化场景，并与 Transformer 预测基线进行了对比。结果显示，学习到的表征保持了高度稳定，余弦相似度约为 0.98。在建筑能源数据上，JEPA 达到了与 Transformer 相当的性能；在 3/5 的消费者集群中，其 R² 值更高。特别是在未见过的光伏数据测试中，JEPA 在 9/10 的数据集上表现优于基线，R² 值达到 0.73 至 0.88，而基线低于 0.45，同时展现出对缺失数据更强的鲁棒性。
为什么值得看
将 JEPA 架构应用于能源预测，提升了模型在数据缺失情况下的泛化能力。
论文数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。