智能AI
morning
评估用于强制中断风险预测的大型语言模型：优点以及与机器学习的比较
摘要
arXiv:2609.04272v1 Announce Type: new Abstract: This study examines the ability of large language models (LLMs) to predict the risk of weather-related forced outages in the distribution grid in a zero...
the
LLMs
weather
and
models
data
using
supervised
zero
shot
2026-09-07
1 阅读
约1分钟阅读
Christos Petridis, Zoran Obradovic, Mladen Kezunovic
字号:
arXiv:2609.04272v1 公告类型：新 摘要：这项研究检验了大型语言模型 (LLM) 在零样本框架中预测配电网中与天气相关的强制停电风险的能力，无需标记训练数据。该问题被表述为跨三个预测范围（3 小时、6 小时、12 小时）的二元严重性分类任务，使用德克萨斯州中部公用事业服务区六年的停电记录和高分辨率天气数据。四个零样本法学硕士在两种输入配置中针对两个监督分类器进行基准测试：一个使用当前天气观测，另一个使用天气预报数据。结果表明，监督模型在宏观 F1 和精度方面优于法学硕士，而新一代法学硕士也取得了有竞争力的分数。除了准确性之外，法学硕士在可行的推理和地理可扩展性方面提供了互补的优势，这表明将它们与监督模型相结合可能是最佳实践。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱