arXiv cs.AI· Yunqin Zhu, Feng Qiu, Yao Xie·· 13 小时前AI 评分29
OutageDiT：面向停电预测与场景生成的基础模型
OutageDiT: A Foundation Model for Power Outage Forecasting and Scenario Generation
AI 导读
OutageDiT 是一个基于全美停电与天气记录训练的基础模型，可生成 15 分钟分辨率、为期七天的停电轨迹。它用条件编码器处理历史上下文与已知未来协变量，再由浅层流匹配解码器复用对齐状态采样完整轨迹，在单一深度生成模型中同时实现点预测、不确定性量化和条件场景生成。在停电预测基准上，其预测精度与场景质量均优于强基线，并支持向未见过区域的零样本迁移。
正文 · AI 翻译
摘要：停电规划需要在事件发生前准备情景。这些情景必须体现停电在规模、发生时间和持续时间上的不确定性，同时保持时间依赖性。然而，严重事件十分罕见，任何单一区域的数据中极端停电与恢复模式的样本都很少。为应对这一挑战，我们提出 OutageDiT，这是一个用于生成 15 分钟分辨率、为期七天停电轨迹的基础模型，基于美国各地的停电与天气记录训练而成。具体而言，条件编码器在每次预测时对历史上下文和已知未来协变量处理一次，浅层流匹配解码器则复用由此得到的与预测时域对齐的状态，以采样完整的停电轨迹。这使单一深度生成模型能够同时完成点预测、不确定性量化和条件情景生成。在停电预测基准上，OutageDiT 在预测准确性和情景质量上均优于强基线，并支持向留出区域的零样本迁移。这些结果共同表明，条件停电情景生成可作为从停电预测通向不确定性下运行规划的桥梁。
| 评论： | 11 页，3 幅图，3 张表。已被 NeurIPS 2026 第二届 MLxOR 研讨会接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2609.01896 [cs.LG] |
| （或 arXiv:2609.01896v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.01896 arXiv 颁发的 DOI 经由 DataCite |
提交历史
来自：Yunqin Zhu [查看邮箱]
[v1]
2026 年 9 月 1 日星期二 21:54:17 UTC（172 KB）
[v2]
2026 年 10 月 27 日星期二 21:59:08 UTC（357 KB）
来源：arXiv cs.AI · arxiv.org