零样本预测电网停电！LLM不训练数据也能干，但监督模型仍更强
Evaluating Large Language Models for Forced Outage Risk Prediction: Benefits and Comparison to Machine Learning
📖 AI 总结
该研究评估了大语言模型（LLMs）在零样本框架下预测天气相关配电网强制停电风险的能力，无需标注训练数据。研究将问题设定为二分类严重性任务，覆盖3小时、6小时和12小时三个预测窗口，基于德克萨斯州中部某公用事业区域六年的停电记录和高分辨率天气数据。四种零样本LLMs与两种监督学习分类器在两种输入配置（当前天气观测和天气预报数据）下进行对比。结果显示，监督模型在宏F1分数和精确率上优于LLMs，但新一代LLMs已取得具有竞争力的成绩。除准确性外，LLMs在可操作推理和地理可扩展性方面展现出互补优势，表明将LLMs与监督模型结合可能是最佳实践。
🔑 关键词速览
| Large Language Models (LLMs) | 大型语言模型，基于深度学习的自然语言处理模型，能够理解和生成人类语言文本。 |
| Zero-shot framework | 零样本框架，指模型在没有针对特定任务进行标记训练数据的情况下直接进行预测的方法。 |
| Forced outage | 强制停电，指由于设备故障或外部因素（如天气）导致的非计划性电力供应中断。 |
| Supervised classifiers | 监督分类器，使用带标签的训练数据学习特征与标签之间映射关系的机器学习模型。 |
| Macro-F1 | 宏平均F1分数，对所有类别的F1分数取算术平均，用于评估分类模型在多类别任务中的整体性能。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅