GraphToolbox: Kerangka Kerja Python yang Dapat Dikonfigurasi untuk Peramalan Graph Neural Network

Menyatukan konstruksi graf, pemilihan model, pelatihan, agregasi, dan interpretabilitas dalam satu pipeline PyTorch Geometric

Eloi Campagne; Yvenn Amara-Ouali; Yannig Goude; Argyris Kalogeratos· 2026· DOI 10.48550/arXiv.2609.24609

Masalah inti

Peramalan kelistrikan sering melibatkan sinyal yang saling terkait secara spasial yang diamati di berbagai wilayah, gardu induk, dan penyulang. Graph Neural Network (GNN) menawarkan representasi alami untuk hubungan ini, tetapi membangun eksperimen peramalan GNN yang lengkap sangat melelahkan karena konstruksi graf, pemilihan model, pelatihan, agregasi, dan interpretasi biasanya ditangani oleh alat yang tidak kompatibel. Para penulis menyajikan **GraphToolbox**, kerangka kerja Python sumber terbuka yang menyatukan tahapan-tahapan ini dalam satu pipeline berbasis konfigurasi yang dibangun di atas PyTorch Geometric. Kerangka kerja ini mengatasi fragmentasi alur kerja eksperimen GNN dengan menyediakan satu antarmuka untuk konstruksi graf berbasis data, instansiasi model, pelatihan, agregasi pakar daring, interpretabilitas peramalan, dan uji signifikansi pada peramalan yang di-cache. Makalah ini mengevaluasi pipeline tersebut dalam dua studi kasus: peramalan beban regional dan net-load Prancis.

Pada beban regional Prancis, 48 konvolusi yang termasuk dalam sapuan peramalan lengkap berada dalam rentang galat 1,14% hingga 1,60%. Agregasi daring menurunkan angka ini menjadi 0,98%. Model graf lebih baik daripada baseline aditif klasik dan boosting. Pada net-load, model graf langsung kurang akurat dibandingkan model aditif klasik. Peramalan setiap komponen fisik secara terpisah meningkatkan model graf tetapi tidak menutup kesenjangan dengan model aditif. Kedua perbandingan menggunakan antarmuka eksperimen yang sama, yang menggambarkan peran GraphToolbox dalam evaluasi arsitektur secara sistematis. Metrik galat kemungkinan dilaporkan sebagai MAPE atau serupa; metrik pastinya tidak disebutkan dalam abstrak. Hasil ini menyoroti bahwa meskipun GNN dapat efektif untuk beban regional, keunggulannya tidak universal, dan peramalan per komponen mungkin bermanfaat untuk net-load.

Peramalan kelistrikan sering melibatkan sinyal yang saling terkait secara spasial yang diamati di berbagai wilayah, gardu induk, dan penyulang. Graph Neural Network (GNN) menawarkan representasi alami untuk hubungan ini, tetapi membangun eksperimen peramalan GNN yang lengkap sangat melelahkan karena konstruksi graf, pemilihan model, pelatihan, agregasi, dan interpretasi biasanya ditangani oleh alat yang tidak kompatibel. Para penulis menyajikan **GraphToolbox**, kerangka kerja Python sumber terbuka yang menyatukan tahapan-tahapan ini dalam satu pipeline berbasis konfigurasi yang dibangun di atas PyTorch Geometric. Kerangka kerja ini mengatasi fragmentasi alur kerja eksperimen GNN dengan menyediakan satu antarmuka untuk konstruksi graf berbasis data, instansiasi model, pelatihan, agregasi pakar daring, interpretabilitas peramalan, dan uji signifikansi pada peramalan yang di-cache. Makalah ini mengevaluasi pipeline tersebut dalam dua studi kasus: peramalan beban regional dan net-load Prancis.

GraphToolbox dibangun di atas PyTorch Geometric dan PyTorch Geometric Temporal. Komponen intinya meliputi:

Kedua studi kasus menunjukkan kegunaan GraphToolbox untuk evaluasi sistematis arsitektur GNN dalam peramalan kelistrikan. Kemampuan kerangka kerja ini untuk menginstansiasi sejumlah besar konvolusi (51 dari 65) dan menggabungkannya dengan sel berulang memungkinkan tolok ukur yang komprehensif. Komponen agregasi pakar daring terbukti bermanfaat, menurunkan galat dari 1,14% pada model individu terbaik menjadi 0,98% pada beban regional. Kasus net-load mengungkapkan bahwa model graf langsung dapat berkinerja lebih rendah daripada model aditif klasik, tetapi menguraikan masalah menjadi komponen fisik dapat meningkatkan kinerja GNN. Hal ini menunjukkan bahwa pilihan representasi graf dan variabel target sangat penting. Alat interpretabilitas dan uji signifikansi memungkinkan peneliti memahami perilaku model dan memvalidasi peningkatan. GraphToolbox mengatasi kesenjangan utama dalam ekosistem peramalan GNN dengan menyediakan pipeline terintegrasi yang dapat dikonfigurasi. Pekerjaan selanjutnya dapat memperluas kerangka kerja ini ke domain lain dan memasukkan teknik agregasi yang lebih canggih. Kerangka kerja ini bersumber terbuka dan dibangun di atas pustaka yang banyak digunakan, sehingga memudahkan adopsi dan reproduksibilitas.

Praktisi dan peneliti ilmu komputer

Membuka konten member…