論文の概要: A Comparative Study of Machine Learning Algorithms for Electricity Price Forecasting with LIME-Based Interpretability

• arxiv url: http://arxiv.org/abs/2512.01212v1
• Date: Mon, 01 Dec 2025 02:51:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.649582
• Title: A Comparative Study of Machine Learning Algorithms for Electricity Price Forecasting with LIME-Based Interpretability
• Title（参考訳）: LIMEを用いた電力価格予測のための機械学習アルゴリズムの比較検討
• Authors: Xuanyi Zhao, Jiawen Ding, Xueting Huang, Yibo Zhang,
• Abstract要約: 本研究では,スペインの電力市場データを用いた8つの機械学習モデルを比較した。 その結果,KNNは0.865のR2,3.556のMAE,5.240のRMSEで最高の性能を示した。
• 参考スコア（独自算出の注目度）: 8.114643944442296
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid development of electricity markets, price volatility has significantly increased, making accurate forecasting crucial for power system operations and market decisions. Traditional linear models cannot capture the complex nonlinear characteristics of electricity pricing, necessitating advanced machine learning approaches. This study compares eight machine learning models using Spanish electricity market data, integrating consumption, generation, and meteorological variables. The models evaluated include linear regression, ridge regression, decision tree, KNN, random forest, gradient boosting, SVR, and XGBoost. Results show that KNN achieves the best performance with R^2 of 0.865, MAE of 3.556, and RMSE of 5.240. To enhance interpretability, LIME analysis reveals that meteorological factors and supply-demand indicators significantly influence price fluctuations through nonlinear relationships. This work demonstrates the effectiveness of machine learning models in electricity price forecasting while improving decision transparency through interpretability analysis.
• Abstract（参考訳）: 電力市場の急速な発展に伴い、価格のボラティリティは大幅に向上し、電力系統の運用と市場決定にとって正確な予測が不可欠になった。 従来の線形モデルは、高度な機械学習アプローチを必要とする電力価格の複雑な非線形特性を捉えることができない。 本研究では、スペイン電力市場データを用いた8つの機械学習モデルを比較し、消費、生成、気象変数を統合する。 評価されたモデルには、線形回帰、尾根回帰、決定木、KNN、ランダム森林、勾配上昇、SVR、XGBoostが含まれる。 その結果,KNNは0.865のR^2,3.556のMAE,5.240のRMSEで最高の性能を示した。 解釈可能性を高めるために、LIME分析は気象要因と供給需要指標が非線形関係を通じて価格変動に大きな影響を及ぼすことを示した。 本研究は,電気価格予測における機械学習モデルの有効性を示すとともに,解釈可能性分析による意思決定透明性の向上を図っている。

関連論文リスト

• Bayesian Neural Networks with Monte Carlo Dropout for Probabilistic Electricity Price Forecasting [0.0]
  本研究は,モンテカルロ(MC)ドロップアウトを用いたベイズニューラルネットワーク(BNN)を用いた確率的電力価格予測の枠組みを提案する。 一般化自己回帰的条件付きヘテロスケダスティック性(GARCHX)とLASSO推定自己回帰モデル(LEAR)のベンチマークモデルに対する批判的評価と比較
  論文  参考訳（メタデータ） (2025-11-12T13:33:28Z)
• Efficient Reinforcement Learning for Large Language Models with Intrinsic Exploration [33.02780998281276]
  検証可能な報酬付き強化学習(RLVR)は、大規模言語モデルの推論能力を改善した。 本研究は,RLVRにおけるデータ効率の向上に本質的なデータ特性の活用,すなわちトレーニング中のほぼ自由な利益をいかに生かすかを検討する。
  論文  参考訳（メタデータ） (2025-11-02T04:16:47Z)
• Adaptive Online Learning with LSTM Networks for Energy Price Prediction [0.5514902789425196]
  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。
  論文  参考訳（メタデータ） (2025-10-19T15:48:38Z)
• ML-Based Bidding Price Prediction for Pay-As-Bid Ancillary Services Markets: A Use Case in the German Control Reserve Market [45.62331048595689]
  本稿では,ドイツ支配予備市場を中心に,従量制サービス市場における入札価格の予測手法を提案する。 サポートベクトル回帰、決定木、k-Nearest Neighborsなど、さまざまな機械学習モデルを評価し、ベンチマークモデルと比較する。 分析の結果,提案手法はベースラインモデルと比較して27.43%から37.31%に改善することが示された。
  論文  参考訳（メタデータ） (2025-03-21T15:21:43Z)
• Anomaly Detection in California Electricity Price Forecasting: Enhancing Accuracy and Reliability Using Principal Component Analysis [0.0]
  本研究は,カリフォルニア州の電力網における電力価格予測の強化に焦点を当てた。 我々は,CAISOの時間的電力価格と2016-2021年の需要を分析し,日頭予測精度を向上させる。
  論文  参考訳（メタデータ） (2024-11-25T20:55:25Z)
• AI-Powered Dynamic Fault Detection and Performance Assessment in Photovoltaic Systems [44.99833362998488]
  太陽光発電(PV)の断続的な性質により、電力損失は10-70%、エネルギー生産量は25%減少する。 現在の故障検出戦略はコストが高く、複雑なデータ信号プロファイルのために信頼性の低い結果が得られることが多い。 本研究では,PythonのPVlibライブラリを用いた動的損失量子化アルゴリズムを取り入れた計算モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T23:52:06Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• 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)

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。