Solar Forecasting with Causality: A Graph-Transformer Approach to Spatiotemporal Dependencies

📄 arXiv: 2509.15481v1 📥 PDF

作者: Yanan Niu, Demetri Psaltis, Christophe Moser, Luisa Lambertini

分类: cs.LG, cs.SI

发布日期: 2025-09-18

备注: Accepted to CIKM 2025

期刊: Proceedings of the 34th ACM International Conference on Information and Knowledge Management (CIKM '25), November 10--14, 2025, Seoul, Republic of Korea

DOI: 10.1145/3746252.3760905

💡 一句话要点

SolarCAST：利用因果图Transformer预测太阳辐射，无需专用硬件。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 太阳能预测 因果推理 图神经网络 Transformer 时空建模

📋 核心要点

  1. 现有太阳能预测方法依赖专用硬件（如天空相机或卫星图像），成本高昂且预处理复杂。
  2. SolarCAST利用因果关系，通过图神经网络和Transformer建模时空依赖，仅需公开的GHI数据。
  3. 实验表明，SolarCAST在不同地理条件下均优于现有方法，且比商业预测器Solcast误差降低25.9%。

📝 摘要（中文）

本文提出了一种名为SolarCAST的因果驱动模型，用于预测目标地点的未来全球水平辐照度(GHI)。与依赖天空相机或卫星图像的现有方法不同，SolarCAST仅使用目标地点X和附近站点S的历史GHI数据，无需专用硬件和大量预处理。为了仅使用公共传感器数据实现高精度，SolarCAST使用可扩展的神经组件对X-S相关性背后的三类混淆因素进行建模：(i)可观察的同步变量(例如，时间、站点身份)，通过嵌入模块处理；(ii)潜在的同步因素(例如，区域天气模式)，由时空图神经网络捕获；(iii)时滞影响(例如，跨站点的云移动)，使用门控Transformer建模，学习时间偏移。在不同的地理条件下，SolarCAST优于领先的时间序列和多模态基线，并且比顶级商业预测器Solcast的误差降低了25.9%。SolarCAST为局部太阳能预测提供了一种轻量级、实用且通用的解决方案。

🔬 方法详解

问题定义：论文旨在解决太阳能预测问题，特别是如何仅利用公开可用的历史全球水平辐照度(GHI)数据，在无需昂贵设备和复杂预处理的情况下，实现高精度的局部太阳能预测。现有方法通常依赖天空相机或卫星图像，这些方法成本高昂，且数据预处理复杂，限制了其广泛应用。

核心思路：SolarCAST的核心思路是利用因果关系建模站点之间的时空依赖性。它假设站点之间的GHI相关性受到多种混淆因素的影响，包括可观测的同步变量（如时间）、潜在的同步因素（如区域天气模式）和时滞影响（如云移动）。通过显式地建模这些混淆因素，SolarCAST能够更准确地预测目标站点的GHI。

技术框架：SolarCAST的整体框架包括三个主要模块：(1)嵌入模块，用于处理可观测的同步变量，如时间和站点身份；(2)时空图神经网络，用于捕获潜在的同步因素，如区域天气模式；(3)门控Transformer，用于建模时滞影响，如云移动。这三个模块协同工作，共同预测目标站点的未来GHI。

关键创新：SolarCAST的关键创新在于其因果驱动的时空建模方法。与传统的黑盒时间序列模型不同，SolarCAST显式地建模了站点之间的因果关系，并考虑了多种混淆因素的影响。此外，SolarCAST还采用了图神经网络和Transformer等先进的深度学习技术，以有效地捕获复杂的时空依赖性。

关键设计：SolarCAST的关键设计包括：(1)使用图神经网络建模站点之间的空间关系，其中节点表示站点，边表示站点之间的相关性；(2)使用门控Transformer建模时间序列数据，其中门控机制用于控制信息的流动；(3)使用因果推理技术来识别和消除混淆因素的影响；(4)损失函数采用均方误差(MSE)，优化器采用Adam。

📊 实验亮点

SolarCAST在多个真实世界的太阳能数据集上进行了评估，结果表明其性能优于领先的时间序列和多模态基线。最显著的成果是，SolarCAST比顶级商业预测器Solcast的误差降低了25.9%，证明了其在实际应用中的巨大潜力。该模型在不同地理条件下均表现出良好的泛化能力。

🎯 应用场景

SolarCAST可应用于各种太阳能相关的场景，例如太阳能电站的发电预测、电网调度优化、能源交易决策等。通过提供准确的太阳能预测，SolarCAST可以帮助提高太阳能的利用效率，降低能源成本，并促进可再生能源的普及。该模型轻量级且易于部署，尤其适用于资源有限的地区。

📄 摘要（原文）

Accurate solar forecasting underpins effective renewable energy management. We present SolarCAST, a causally informed model predicting future global horizontal irradiance (GHI) at a target site using only historical GHI from site X and nearby stations S - unlike prior work that relies on sky-camera or satellite imagery requiring specialized hardware and heavy preprocessing. To deliver high accuracy with only public sensor data, SolarCAST models three classes of confounding factors behind X-S correlations using scalable neural components: (i) observable synchronous variables (e.g., time of day, station identity), handled via an embedding module; (ii) latent synchronous factors (e.g., regional weather patterns), captured by a spatio-temporal graph neural network; and (iii) time-lagged influences (e.g., cloud movement across stations), modeled with a gated transformer that learns temporal shifts. It outperforms leading time-series and multimodal baselines across diverse geographical conditions, and achieves a 25.9% error reduction over the top commercial forecaster, Solcast. SolarCAST offers a lightweight, practical, and generalizable solution for localized solar forecasting.