論文の概要: Benchmarking Pre-Trained Time Series Models for Electricity Price Forecasting

• arxiv url: http://arxiv.org/abs/2506.08113v1
• Date: Mon, 09 Jun 2025 18:10:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:40.359005
• Title: Benchmarking Pre-Trained Time Series Models for Electricity Price Forecasting
• Title（参考訳）: 電力価格予測のための事前学習時系列モデルのベンチマーク
• Authors: Timothée Hornek Amir Sartipi, Igor Tchappi, Gilbert Fridgen,
• Abstract要約: 我々は、電力価格予測のための確立された統計および機械学習(ML)手法に対して、最先端の事前訓練モデルをいくつかベンチマークする。 ドイツ、フランス、オランダ、オーストリア、ベルギーの2024日の日頭オークション(DAA)の電力価格を用いて、1日当たりの予想を下方修正する。 Chronos-BoltとTime-MoEはTSFMの中でも最強で、従来のモデルと同等のパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 1.1557852082644071
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate electricity price forecasting (EPF) is crucial for effective decision-making in power trading on the spot market. While recent advances in generative artificial intelligence (GenAI) and pre-trained large language models (LLMs) have inspired the development of numerous time series foundation models (TSFMs) for time series forecasting, their effectiveness in EPF remains uncertain. To address this gap, we benchmark several state-of-the-art pretrained models--Chronos-Bolt, Chronos-T5, TimesFM, Moirai, Time-MoE, and TimeGPT--against established statistical and machine learning (ML) methods for EPF. Using 2024 day-ahead auction (DAA) electricity prices from Germany, France, the Netherlands, Austria, and Belgium, we generate daily forecasts with a one-day horizon. Chronos-Bolt and Time-MoE emerge as the strongest among the TSFMs, performing on par with traditional models. However, the biseasonal MSTL model, which captures daily and weekly seasonality, stands out for its consistent performance across countries and evaluation metrics, with no TSFM statistically outperforming it.
• Abstract（参考訳）: 正確な電力価格予測(EPF)は、スポットマーケットでの電力取引において効果的な意思決定に不可欠である。 生成人工知能(GenAI)やLLM(LLM)の最近の進歩は、時系列予測のための多くの時系列基礎モデル(TSFM)の開発に影響を与えたが、EPFの有効性は未だ不明である。 このギャップに対処するため、我々は、Chronos-Bolt、Chronos-T5、TimeFM、Moirai、Time-MoE、TimeGPTといった最先端の事前訓練されたモデルのベンチマークを行い、EPFのための統計的および機械学習(ML)手法を確立した。 ドイツ、フランス、オランダ、オーストリア、ベルギーの2024日の日頭オークション(DAA)の電力価格を用いて、1日当たりの予想を下方修正する。 Chronos-BoltとTime-MoEはTSFMの中でも最強で、従来のモデルと同等のパフォーマンスを示している。 しかし、日・週の季節を捉えたバイシーズンMSTLモデルは、国家間の一貫したパフォーマンスと評価指標で際立っており、TSFMが統計的に上回らない。

関連論文リスト

• Timeseries Foundation Models for Mobility: A Benchmark Comparison with Traditional and Deep Learning Models [0.0]
  本研究では、都市全体の移動時間を予測する従来の手法と比較して、TimeGPTの性能を評価する。 その結果,モビリティ予測の基礎モデルの可能性に加えて,実験の限界も明らかになった。
  論文  参考訳（メタデータ） (2025-03-31T07:20:31Z)
• Financial Fine-tuning a Large Time Series Model [1.2894076331861153]
  我々は,最新の時系列基礎モデルTimesFMの性能を価格予測に基づいて評価した。 価格データの不規則性のため、TimesFMを直接適用すると不満足な結果が得られます。 我々は、価格予測のタスクのために、財務データにTimeFMを微調整することを提案する。
  論文  参考訳（メタデータ） (2024-12-13T05:51:00Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
  本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。 我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
  論文  参考訳（メタデータ） (2024-11-09T05:40:32Z)
• Efficient mid-term forecasting of hourly electricity load using generalized additive models [0.0]
  本稿では,解釈可能なP-スプラインから構築したGAMを用いた新しい予測手法を提案する。 提案手法は,9年以上にわたる欧州24カ国の負荷データを用いて評価した。
  論文  参考訳（メタデータ） (2024-05-27T11:41:41Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Probabilistic Forecasting of Day-Ahead Electricity Prices and their Volatility with LSTMs [0.0]
  本稿では,ドイツ・ルクセンブルクの日頭電力価格に対するLong Short-Term Memory(LSTM)モデルを提案する。 LSTMの繰り返し構造は傾向に適応し、平均偏差と標準偏差の合同予測は確率的予測を可能にする。 物理学に着想を得たアプローチである超統計学を用いて、LSTMモデルは価格とボラティリティの両方を忠実に再現することを示す。
  論文  参考訳（メタデータ） (2023-10-05T06:47:28Z)
• A Hybrid Model for Forecasting Short-Term Electricity Demand [59.372588316558826]
  現在、英国電気市場は、規制当局が30分毎に発行する負荷(需要)予測によってガイドされている。 本稿では,機能工学(候補予測機能の選択),移動ウィンドウ予測,LSTMエンコーダデコーダを組み合わせたハイブリッド予測モデルHYENAを提案する。
  論文  参考訳（メタデータ） (2022-05-20T22:13:25Z)
• Ensemble Forecasting for Intraday Electricity Prices: Simulating Trajectories [0.0]
  近年の研究では、時間単位のドイツの日内連続市場は弱い状態にあることが示されている。 時間内電力価格の確率予測は、トレーディングウィンドウ毎に軌跡をシミュレートして行う。 この調査は、過去3時間でドイツの日内連続市場における価格分布を予測することを目的としているが、このアプローチは、特にヨーロッパでは、他の連続市場への適用を可能にする。
  論文  参考訳（メタデータ） (2020-05-04T10:21:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。