arXiv cs.AI· Eloi Campagne (CB), Yvenn Amara-Ouali (LMO, CELESTE), Yannig Goude (EDF R\&D), Argyris Kalogeratos (CB, ENS Paris Saclay)·· 10 小时前AI 评分27
GraphToolbox：面向图神经网络预测的可配置受控基准测试框架
GraphToolbox: A Configurable Framework for Controlled Benchmarking of Graph Neural Network Forecasting
AI 导读
GraphToolbox 是一个基于 PyTorch Geometric 的开源 Python 框架，将图构建、模型选择、训练、聚合与解释统一到配置驱动的流水线中。
正文 · AI 翻译
摘要：电力预测通常涉及在区域、变电站和馈线上观测到的空间相关信号，而图神经网络（GNN）通过图来表示这些关系。然而，构建一个完整的 GNN 预测实验仍然很费力，因为图构建、模型选择、训练、聚合和解释往往需要单独的工具。我们提出了 GraphToolbox，这是一个开源 Python 框架，它在基于 PyTorch Geometric 构建的单一配置驱动流水线中统一了这些阶段。它提供数据驱动的图构建、面向 PyTorch Geometric 大多数图卷积算子以及循环图单元的单一接口、在线专家聚合、预测可解释性以及对预测的显著性检验。我们使用 GraphToolbox 运行了一项受控基准测试：在统一的实验协议下，我们比较了法国区域和国家层面电力负荷与净负荷预测的架构和建模选择。在负荷方面，大多数被评估的图卷积优于加性、循环和基础模型基线。在相同输入上训练的池化 XGBoost 的 RMSE 低于最佳图模型，尽管差异并不显著。在线专家聚合和每日模型更新进一步提高了准确率。在净负荷方面，图模型优于加性、循环和 XGBoost 基线，并且分别预测物理分量还能带来额外收益。统计检验未能为负荷预测确定单一最佳卷积。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2609.24609 [cs.LG] |
| （或 arXiv:2609.24609v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.24609 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Eloi Campagne [查看电子邮件] [通过 CCSD 代理]
[v1]
2026年9月21日星期一 13:58:35 UTC（1,066 KB）
[v2]
2026年11月10日星期二 14:55:49 UTC（1,354 KB）
来源：arXiv cs.AI · arxiv.org