利用纵向表格Transformer预测电力中断的预计恢复时间
机器学习
2025-05-02 v1 人工智能
摘要
随着气候变异性增加，公用事业提供商在自然灾害期间提供精确的预计恢复时间（ETR）的能力变得愈发关键。准确及时的ETR对于客户在长时间停电期间做好准备至关重要，尤其是在恶劣天气条件下，明智的决策可能至关重要。然而，当前主流的公用事业实践主要依赖于人工评估或传统统计方法，这些方法往往无法达到可靠且可操作的预测所需的精度。为了解决这些局限性，我们提出了一种纵向表格Transformer（LTT）模型，该模型利用历史停电事件数据以及这些事件的顺序更新来提高ETR预测的准确性。该模型的性能在来自三家主要公用事业公司的34,000多个风暴相关停电事件上进行了评估，这些公司在两年内共服务超过300万客户。结果表明，与现有方法相比，LTT模型将客户满意度影响（CSI）指标平均提高了19.08%（p > 0.001）。此外，我们引入了客户知情回归指标，将模型评估与真实世界满意度对齐，确保结果与客户期望产生共鸣。此外，我们采用可解释性技术来分析在建模停电事件中纳入顺序更新的时间重要性，并识别预测特征对给定ETR的贡献。这种综合方法不仅提高了预测准确性，还增强了透明度，促进了对模型能力的更大信任。
引用
@article{arxiv.2505.00225,
title = {Predicting Estimated Times of Restoration for Electrical Outages Using Longitudinal Tabular Transformers},
author = {Bogireddy Sai Prasanna Teja and Valliappan Muthukaruppan and Carls Benjamin},
journal= {arXiv preprint arXiv:2505.00225},
year = {2025}
}