論文の概要: Adaptive Online Learning with LSTM Networks for Energy Price Prediction

• arxiv url: http://arxiv.org/abs/2510.16898v1
• Date: Sun, 19 Oct 2025 15:48:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.200018
• Title: Adaptive Online Learning with LSTM Networks for Energy Price Prediction
• Title（参考訳）: LSTMネットワークを用いた適応型オンライン学習によるエネルギー価格予測
• Authors: Salih Salihoglu, Ibrahim Ahmed, Afshin Asadi,
• Abstract要約: 本研究は,カリフォルニアのエネルギー市場における日頭電力価格の予測モデルの開発に焦点をあてる。 このモデルには、歴史的価格データ、気象条件、エネルギーの混合など、さまざまな特徴が含まれている。 その結果、カスタム損失関数はモデルの性能を向上し、予測値と実際の値がより密に一致できることが示されている。
• 参考スコア（独自算出の注目度）: 0.5514902789425196
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate prediction of electricity prices is crucial for stakeholders in the energy market, particularly for grid operators, energy producers, and consumers. This study focuses on developing a predictive model leveraging Long Short-Term Memory (LSTM) networks to forecast day-ahead electricity prices in the California energy market. The model incorporates a variety of features, including historical price data, weather conditions, and the energy generation mix. A novel custom loss function that integrates Mean Absolute Error (MAE), Jensen-Shannon Divergence (JSD), and a smoothness penalty is introduced to enhance the prediction accuracy and interpretability. Additionally, an online learning approach is implemented to allow the model to adapt to new data incrementally, ensuring continuous relevance and accuracy. The results demonstrate that the custom loss function can improve the model's performance, aligning predicted prices more closely with actual values, particularly during peak intervals. Also, the online learning model outperforms other models by effectively incorporating real-time data, resulting in lower prediction error and variability. The inclusion of the energy generation mix further enhances the model's predictive capabilities, highlighting the importance of comprehensive feature integration. This research provides a robust framework for electricity price forecasting, offering valuable insights and tools for better decision-making in dynamic electricity markets.
• Abstract（参考訳）: 電力価格の正確な予測はエネルギー市場の利害関係者、特に電力事業者、エネルギー生産者、消費者にとって重要である。 本研究では,Long Short-Term Memory(LSTM)ネットワークを利用したカリフォルニアのエネルギー市場における日頭電力価格の予測モデルの開発に焦点をあてる。 このモデルには、歴史的価格データ、気象条件、エネルギーの混合など、さまざまな特徴が含まれている。 平均絶対誤差(MAE)、Jensen-Shannon Divergence(JSD)、スムーズネスペナルティ(スムーズネスペナルティ)を統合し、予測精度と解釈可能性を高める。 さらに、モデルが新たなデータに漸進的に適応できるように、オンライン学習アプローチが実装され、継続的な妥当性と精度が保証される。 その結果、カスタム損失関数はモデルの性能を向上し、特にピーク間隔において予測値が実際の値とより密に一致できることが示されている。 また、オンライン学習モデルは、リアルタイムデータを効果的に組み込むことで、他のモデルよりも優れており、予測誤差と可変性が低い。 エネルギーの混合が組み込まれれば、モデルの予測能力がさらに向上し、包括的な機能統合の重要性が強調される。 この研究は、電力価格予測のための堅牢なフレームワークを提供し、動的電気市場におけるより良い意思決定のための貴重な洞察とツールを提供する。

関連論文リスト

• PREIG: Physics-informed and Reinforcement-driven Interpretable GRU for Commodity Demand Forecasting [27.542312745632458]
  PreIGは、商品需要予測に適した新しいディープラーニングフレームワークである。 このモデルは、Gated Recurrent Unit(GRU)アーキテクチャを物理インフォームドニューラルネットワーク(PINN)の原則と一意に統合する。
  論文  参考訳（メタデータ） (2025-07-29T11:38:07Z)
• Smart Buildings Energy Consumption Forecasting using Adaptive Evolutionary Ensemble Learning Models [23.650796013805937]
  本稿では,Baging,Stacking,Vottingの3つのハイブリッドアンサンブル予測モデルと,高速かつ効果的な進化的ハイパーパラメータチューナを組み合わせることを提案する。 ベルギーのモンス州スタンブロークに18個のセンサを設置し, 気象パラメータ, 家電エネルギー使用量, 温度, 湿度, 照明エネルギー消費のハイブリッドデータセットを用いて, 提案したエネルギー予測モデルの性能を評価した。 予測結果は,適応的進化的バッグングモデルが,精度と学習誤差の両方で他の予測モデルを上回ったことを示している。
  論文  参考訳（メタデータ） (2025-06-13T15:13:15Z)
• Probabilistic Forecasting for Building Energy Systems using Time-Series Foundation Models [20.57107693396709]
  エネルギーシステムの構築は、関連する時系列モデルの予測精度に依存する。 本稿では,建築エネルギー予測における時系列基礎モデル(TSFM)の適用性と微調整戦略について検討する。
  論文  参考訳（メタデータ） (2025-05-31T16:38:29Z)
• Deep Learning-Based Electricity Price Forecast for Virtual Bidding in Wholesale Electricity Market [3.130428666578115]
  本研究では,ERCOT(Electric Reliability Council of Texas)市場におけるリアルタイム電力価格と日頭電力価格の間に広がる価格を予測するためのトランスフォーマーに基づくディープラーニングモデルを提案する。 提案したモデルは現実的な制約の下で訓練され、毎週モデルを更新してウォーキングフォワードアプローチを用いて検証される。 その結果, ピーク時のみの取引戦略が50%を超える精度で, ほぼ一貫した利益をもたらすことがわかった。
  論文  参考訳（メタデータ） (2024-11-25T20:04:16Z)
• A Utility-Mining-Driven Active Learning Approach for Analyzing Clickstream Sequences [21.38368444137596]
  本研究では、SHAP値(HUSPM-SHAP)モデルを用いた高ユーティリティシーケンスパターンマイニングを提案する。 本研究は,電子商取引データ処理を改良し,より合理化され,コスト効率のよい予測モデルに向けたモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-10-09T10:44:02Z)
• Application of Deep Learning for Factor Timing in Asset Management [21.212548040046133]
  より柔軟なモデルは、目に見えない期間の係数プレミアムのばらつきを説明するのにより良いパフォーマンスを持つ。 ニューラルネットワークのような柔軟なモデルでは、予測に基づく最適な重み付けは不安定である傾向がある。 我々は、過去の最適再バランス方式によるリバランス頻度の傾きが、取引コストの削減に役立つことを検証した。
  論文  参考訳（メタデータ） (2024-04-27T21:57:17Z)
• DECODE: Data-driven Energy Consumption Prediction leveraging Historical Data and Environmental Factors in Buildings [1.2891210250935148]
  本稿では,建築エネルギー消費の予測を目的としたLong Short-Term Memory (LSTM)モデルを提案する。 LSTMモデルは、住宅や商業ビルの正確な短時間、中長期のエネルギー予測を提供する。 これは例外的な予測精度を示し、R2スコアは0.97で、平均絶対誤差(MAE)は0.007である。
  論文  参考訳（メタデータ） (2023-09-06T11:02:53Z)
• Predictive Accuracy of a Hybrid Generalized Long Memory Model for Short Term Electricity Price Forecasting [0.0]
  本研究では、一般化長メモリ自己回帰モデル(k-factor GARMA)に基づく新しいハイブリッドモデルの予測性能について検討する。 提案モデルの性能を北プール電力市場のデータを用いて評価した。
  論文  参考訳（メタデータ） (2022-04-18T12:21:25Z)
• Wholesale Electricity Price Forecasting using Integrated Long-term Recurrent Convolutional Network Model [0.0]
  本稿では、電力価格を予測するための長期再帰畳み込みネットワーク(ILRCN)モデルを提案する。 ケーススタディでは、提案したILRCNモデルが電気価格予測において正確かつ効率的であることが判明した。
  論文  参考訳（メタデータ） (2021-12-23T06:45:12Z)
• Hybrid Modelling Approaches for Forecasting Energy Spot Prices in EPEC market [62.997667081978825]
  EPEC市場におけるエネルギースポット価格予測のためのハイブリッドモデリング手法について検討する。 データは2013-2014年の電力価格、2015年のテストデータで提供された。
  論文  参考訳（メタデータ） (2020-10-14T12:45:53Z)

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。