論文の概要: Data-driven Day Ahead Market Prices Forecasting: A Focus on Short Training Set Windows

• arxiv url: http://arxiv.org/abs/2506.10536v1
• Date: Thu, 12 Jun 2025 10:03:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.678903
• Title: Data-driven Day Ahead Market Prices Forecasting: A Focus on Short Training Set Windows
• Title（参考訳）: データ駆動型デイアヘッド市場価格予測:Windowsの短期トレーニングに焦点
• Authors: Vasilis Michalakopoulos, Christoforos Menos-Aikateriniadis, Elissaios Sarmas, Antonis Zakynthinos, Pavlos S. Georgilakis, Dimitris Askounis,
• Abstract要約: 本研究では,短時間の履歴学習窓を用いた電力市場(DAM)価格予測における機械学習モデルの性能について検討した。 欧州のエネルギー市場において,Fed Forward Error Correction (FFEC), XGBoost, LightGBM, CatBoostの4つのモデルを評価する。
• 参考スコア（独自算出の注目度）: 3.5624857747396814
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This study investigates the performance of machine learning models in forecasting electricity Day-Ahead Market (DAM) prices using short historical training windows, with a focus on detecting seasonal trends and price spikes. We evaluate four models, namely LSTM with Feed Forward Error Correction (FFEC), XGBoost, LightGBM, and CatBoost, across three European energy markets (Greece, Belgium, Ireland) using feature sets derived from ENTSO-E forecast data. Training window lengths range from 7 to 90 days, allowing assessment of model adaptability under constrained data availability. Results indicate that LightGBM consistently achieves the highest forecasting accuracy and robustness, particularly with 45 and 60 day training windows, which balance temporal relevance and learning depth. Furthermore, LightGBM demonstrates superior detection of seasonal effects and peak price events compared to LSTM and other boosting models. These findings suggest that short-window training approaches, combined with boosting methods, can effectively support DAM forecasting in volatile, data-scarce environments.
• Abstract（参考訳）: 本研究では,短時間のトレーニング窓を用いた電力市場(DAM)価格予測における機械学習モデルの性能について検討し,季節的傾向と価格スパイクを検出することに着目した。 欧州のエネルギー市場(グレース、ベルギー、アイルランド)におけるフィードフォワードエラー補正(FFEC)、XGBoost、LightGBM、CatBoostの4つのモデルについて、ENTSO-E予測データから得られた特徴集合を用いて評価した。 トレーニングウィンドウの長さは7日から90日間で、制約付きデータ可用性の下でモデル適応性を評価することができる。 その結果,LightGBMは,特に時間的関連性と学習深度をバランスさせる45日と60日の訓練窓において,常に高い予測精度と堅牢性を達成していることがわかった。 さらに、LightGBMはLSTMや他のブースティングモデルと比較して季節効果やピーク価格イベントの検出に優れていた。 これらの結果から,短ウィンドウトレーニングアプローチとブースティング手法が組み合わさって,揮発性でデータスカースな環境でのDAM予測を効果的に支援できることが示唆された。

関連論文リスト

• ReAugment: Model Zoo-Guided RL for Few-Shot Time Series Augmentation and Forecasting [74.00765474305288]
  本稿では,時系列データ拡張のための強化学習(RL)の試験的検討を行う。 我々の手法であるReAugmentは、トレーニングセットのどの部分が拡張されるべきか、どのように拡張を行うべきか、RLがプロセスにどのような利点をもたらすのか、という3つの重要な問題に取り組む。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• An Evaluation of Deep Learning Models for Stock Market Trend Prediction [0.3277163122167433]
  本研究では,S&P 500指数とブラジルETF EWZの日時閉値を用いた短期トレンド予測のための先進的なディープラーニングモデルの有効性について検討した。 時系列予測に最適化されたxLSTM適応であるxLSTM-TSモデルを導入する。 テストされたモデルの中で、xLSTM-TSは一貫して他のモデルよりも優れており、例えば、テスト精度72.82%、F1スコア73.16%をEWZの日次データセットで達成している。
  論文  参考訳（メタデータ） (2024-08-22T13:58:55Z)
• EWMoE: An effective model for global weather forecasting with mixture-of-experts [6.695845790670147]
  本研究では,地球規模の天気予報に有効なモデルであるEWMoEを提案する。 本モデルは,3次元絶対位置埋め込み,Mixture-of-Experts層,および2つの特定の損失関数の3つの重要な要素を組み込んで予測精度を向上させる。
  論文  参考訳（メタデータ） (2024-05-09T16:42:13Z)
• 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)
• Short-Term Stock Price Forecasting using exogenous variables and Machine Learning Algorithms [3.2732602885346576]
  この研究論文は、2020年3月から2022年5月までにニューヨークで取引された3つの有名な株の予測において、4つの機械学習モデルとそれらの精度を比較した。 我々は,XGBoost,Random Forest,Multi-layer Perceptron,Support Vector Regressionモデルをデプロイし,開発し,チューニングする。 XGBoostは、240のトレーディングデイからなるトレーニングデータセットを使用して、より長い実行にもかかわらず、最も高い精度を提供する。
  論文  参考訳（メタデータ） (2023-05-17T07:04:32Z)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• 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。