論文の概要: Recurrent Neural Networks with Linear Structures for Electricity Price Forecasting

• arxiv url: http://arxiv.org/abs/2512.04690v1
• Date: Thu, 04 Dec 2025 11:38:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-05 21:11:46.133729
• Title: Recurrent Neural Networks with Linear Structures for Electricity Price Forecasting
• Title（参考訳）: 電力価格予測のための線形構造をもつリカレントニューラルネットワーク
• Authors: Souhir Ben Amor, Florian Ziel,
• Abstract要約: 本稿では,日頭電力価格予測のために設計された新しい再帰型ニューラルネットワークアーキテクチャを提案する。 我々の組み合わせ予測モデルは、エキスパートモデルやカルマンフィルタのような線形構造を繰り返しネットワークに埋め込む。 提案モデルでは,先行ベンチマークよりも約12%高い精度を実現している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel recurrent neural network architecture designed explicitly for day-ahead electricity price forecasting, aimed at improving short-term decision-making and operational management in energy systems. Our combined forecasting model embeds linear structures, such as expert models and Kalman filters, into recurrent networks, enabling efficient computation and enhanced interpretability. The design leverages the strengths of both linear and non-linear model structures, allowing it to capture all relevant stylised price characteristics in power markets, including calendar and autoregressive effects, as well as influences from load, renewable energy, and related fuel and carbon markets. For empirical testing, we use hourly data from the largest European electricity market spanning 2018 to 2025 in a comprehensive forecasting study, comparing our model against state-of-the-art approaches, particularly high-dimensional linear and neural network models. The proposed model achieves approximately 12% higher accuracy than leading benchmarks. We evaluate the contributions of the interpretable model components and conclude on the impact of combining linear and non-linear structures.
• Abstract（参考訳）: 本稿では,エネルギーシステムにおける短期的意思決定と運用管理の改善を目的とした,日頭電力価格予測のための新しいニューラルネットワークアーキテクチャを提案する。 予測モデルを組み合わせることで、エキスパートモデルやカルマンフィルタなどの線形構造をリカレントネットワークに組み込み、効率的な計算と解釈可能性の向上を実現した。 このデザインはリニアモデルと非線形モデルの両方の長所を活用しており、カレンダーや自己回帰効果を含む電力市場における全ての関連する価格特性、および負荷、再生可能エネルギー、および関連する燃料および炭素市場の影響を捉えることができる。 実験的なテストでは、2018年から2025年までのヨーロッパ最大の電力市場からの時間毎のデータを用いて、我々のモデルと最先端のアプローチ、特に高次元線形ニューラルネットワークモデルを比較します。 提案モデルでは,先行ベンチマークよりも約12%高い精度を実現している。 我々は、解釈可能なモデルコンポーネントの寄与を評価し、線形構造と非線形構造の組み合わせが与える影響を結論づける。

関連論文リスト

• A Comparative Study of Machine Learning Algorithms for Electricity Price Forecasting with LIME-Based Interpretability [8.114643944442296]
  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。
  論文  参考訳（メタデータ） (2025-12-01T02:51:41Z)
• 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)
• 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)
• Predicting Large-scale Urban Network Dynamics with Energy-informed Graph Neural Diffusion [51.198001060683296]
  ネットワーク化された都市システムは人、資源、サービスのフローを促進する。 グラフニューラルネットワークのような現在のモデルは、将来性を示しているが、有効性と効率性のトレードオフに直面している。 本論文は,本質的なモデル設計を伝えるための物理法則からインスピレーションを得て,このトレードオフに対処する。
  論文  参考訳（メタデータ） (2025-07-31T01:24:01Z)
• Variational Graph Convolutional Neural Networks [72.67088029389764]
  不確実性は、グラフ畳み込みネットワークの説明可能性を改善するのに役立つ。 不確実性は、モデルの結果を検証するために重要なアプリケーションでも使用することができる。
  論文  参考訳（メタデータ） (2025-07-02T13:28:37Z)
• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• Deep Convolutional Neural Networks for Short-Term Multi-Energy Demand Prediction of Integrated Energy Systems [49.1574468325115]
  本稿では,多エネルギー消費予測のための畳み込みニューラルネットワーク(CNN)に基づく新しい6つの予測モデルを開発する。 これらのモデルは、新しい統合型電気・熱・ガスネットワークシステムに包括的に適用される。
  論文  参考訳（メタデータ） (2023-12-24T14:56:23Z)
• RNN(p) for Power Consumption Forecasting [0.896655290787267]
  RNN(p)と呼ばれるp時間ラグで動作する基本リカレントニューラルネットワークは、線形自己回帰モデルARX(p)の自然な一般化である。 本稿では,電力消費予測におけるRNN(p)モデルの2つの応用について述べる。 実験の結果,RNN(p)モデルは高い解釈性を維持しつつ予測精度に優れていた。
  論文  参考訳（メタデータ） (2022-09-03T09:21:39Z)
• 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)
• On Energy-Based Models with Overparametrized Shallow Neural Networks [44.74000986284978]
  エネルギーベースモデル(EBM)は、ジェネレーションモデリングの強力なフレームワークです。 この研究では、浅いニューラルネットワークに焦点を当てます。 我々は、いわゆる「アクティブ」体制で訓練されたモデルが、関連する「怠慢」またはカーネル体制に対して統計的に有利であることを示す。
  論文  参考訳（メタデータ） (2021-04-15T15:34:58Z)

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。