論文の概要: Assessing Electricity Demand Forecasting with Exogenous Data in Time Series Foundation Models

• arxiv url: http://arxiv.org/abs/2602.05390v1
• Date: Thu, 05 Feb 2026 07:17:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.809183
• Title: Assessing Electricity Demand Forecasting with Exogenous Data in Time Series Foundation Models
• Title（参考訳）: 時系列基礎モデルにおける外部データによる電力需要予測の評価
• Authors: Wei Soon Cheong, Lian Lian Jiang, Jamie Ng Suat Ling,
• Abstract要約: 本稿では,ベースラインLSTMに対するクロスチャネル相関をモデル化できる基礎モデルについて実験的に評価する。 この単純な基準線は、シンガポールの安定な気候、特に短期的な地平線において、全ての基礎モデルを上回ることがよく見られる。 これらの結果は、普遍的な基盤モデル優位性に関する仮定に挑戦し、ドメイン固有モデルの必要性を強調している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Time-series foundation models have emerged as a new paradigm for forecasting, yet their ability to effectively leverage exogenous features -- critical for electricity demand forecasting -- remains unclear. This paper empirically evaluates foundation models capable of modeling cross-channel correlations against a baseline LSTM with reversible instance normalization across Singaporean and Australian electricity markets at hourly and daily granularities. We systematically assess MOIRAI, MOMENT, TinyTimeMixers, ChronosX, and Chronos-2 under three feature configurations: all features, selected features, and target-only. Our findings reveal highly variable effectiveness: while Chronos-2 achieves the best performance among foundation models (in zero-shot settings), the simple baseline frequently outperforms all foundation models in Singapore's stable climate, particularly for short-term horizons. Model architecture proves critical, with synergistic architectural implementations (TTM's channel-mixing, Chronos-2's grouped attention) consistently leveraging exogenous features, while other approaches show inconsistent benefits. Geographic context emerges as equally important, with foundation models demonstrating advantages primarily in variable climates. These results challenge assumptions about universal foundation model superiority and highlight the need for domain-specific models, specifically in the energy domain.
• Abstract（参考訳）: 時系列基盤モデルは、予測の新しいパラダイムとして登場したが、電力需要予測に不可欠な外生的特徴を効果的に活用する能力は、まだ不明だ。 本稿では,シンガポールとオーストラリアの電力市場における時間的および日次的粒度の可逆的インスタンス正規化によるベースラインLSTMに対するクロスチャネル相関をモデル化可能な基礎モデルを実験的に評価する。 MoIRAI、MOMENT、TinyTimeMixers、ChronosX、Chronos-2の3つの機能構成(すべての機能、選択された機能、ターゲットのみ)を体系的に評価する。 その結果,Chronos-2は基礎モデルの中で最高の性能(ゼロショット設定)を達成しているが,シンガポールの安定な気候,特に短期の地平線において,単純なベースラインが基礎モデル全てを上回っていることがわかった。 モデルアーキテクチャは、相乗的アーキテクチャ実装(TTMのチャネルミキシング、Chronos-2のグループ化された注意)が一貫して外生的特徴を活用する一方で、他のアプローチは一貫性のない利点を示す。 地理的文脈は同様に重要であり、基礎モデルは主に変動気候において利点を示す。 これらの結果は、普遍的基礎モデル優越性に関する仮定に挑戦し、特にエネルギー領域における領域固有モデルの必要性を強調している。

関連論文リスト

• Conversational Time Series Foundation Models: Towards Explainable and Effective Forecasting [13.958506262265871]
  大規模言語モデル(LLM)は強力な推論機能を提供するが、時系列予測への直接適用は効果がないことが証明されている。 SHAPに基づく忠実度スコアによって導かれるR1スタイルの微調整プロセスを導入し,重みを意味のある因果文として解釈するモデルを指導する。 提案手法は,CRPSとMASEの両指標において,先行時系列基礎モデルよりも有意に優れていた。
  論文  参考訳（メタデータ） (2025-12-17T23:14:38Z)
• Synapse: Adaptive Arbitration of Complementary Expertise in Time Series Foundational Models [50.877082340479085]
  時系列基礎モデル (TSFM) の違いが, 様々な予測設定にまたがって, 特定の性能プロファイルを示すかを検討する。 TSFMの新しい調停フレームワークであるSynapseを提案する。 その結果、Synapseは個々のTSFMだけでなく、他の一般的なアンサンブル技術よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-11-07T18:01:51Z)
• Chronos-2: From Univariate to Universal Forecasting [52.753731922908905]
  Chronos-2は、一変量、多変量、共変量による予測タスクをゼロショットで処理できる事前訓練されたモデルである。 fev-bench、GIFT-Eval、Chronos Benchmark IIの3つの総合ベンチマークで最先端のパフォーマンスを提供する。 Chronos-2のコンテキスト内学習能力は、現実世界の予測パイプラインで"as is"として使用できる汎用予測モデルとして確立されている。
  論文  参考訳（メタデータ） (2025-10-17T17:00:53Z)
• How Foundational are Foundation Models for Time Series Forecasting? [2.692427265051276]
  時系列データの本質的な多様性は、基礎モデルが効果的なモデル構築にはあまり適さないことを論じる。 時系列基礎モデルのゼロショット能力は、事前訓練された特定のドメインに大きく影響され、結びついていることが示される。
  論文  参考訳（メタデータ） (2025-10-01T10:25:43Z)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• ARIES: Relation Assessment and Model Recommendation for Deep Time Series Forecasting [54.57031153712623]
  ARIESは時系列特性とモデリング戦略の関係を評価するためのフレームワークである。 実世界の時系列に解釈可能な提案を提供することのできる,最初の深層予測モデルレコメンデータを提案する。
  論文  参考訳（メタデータ） (2025-09-07T13:57:14Z)
• On Identifying Why and When Foundation Models Perform Well on Time-Series Forecasting Using Automated Explanations and Rating [7.375605655806626]
  時系列予測モデル(TSFM)は、古典的な統計手法から洗練された基礎モデルへと進化してきた。 この作業は、従来の説明可能なAI(XAI)メソッドとレーティング駆動説明(RDE)を組み合わせることで、問題に対処する。 ARIMA, Gradient Boosting, Chronos (時系列固有の基礎モデル), Llama (汎用モデル, 微調整モデル, ベースモデル) の4つの異なるモデルアーキテクチャを評価した。
  論文  参考訳（メタデータ） (2025-08-28T05:27:45Z)
• Probabilistic Emulation of a Global Climate Model with Spherical DYffusion [15.460280166612119]
  本研究では, 高精度で物理的に整合した地球規模の気候アンサンブルシミュレーションを作成した最初の条件生成モデルを提案する。 我々のモデルは、動的インフォームド拡散フレームワーク(DYffusion)と、球状フーリエニューラル演算子(SFNO)アーキテクチャを統合する。 このモデルは、気候モデルエミュレーションのための金本位に近い性能を達成し、既存のアプローチを上回り、有望なアンサンブルスキルを実証する。
  論文  参考訳（メタデータ） (2024-06-21T00:16:55Z)
• Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting [54.04430089029033]
  本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。 Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。 このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-12T12:29:32Z)
• Exploring Progress in Multivariate Time Series Forecasting: Comprehensive Benchmarking and Heterogeneity Analysis [70.78170766633039]
  我々は、MTS予測提案を確実かつ公平に評価する手段の必要性に対処する。 BasicTS+は、MTS予測ソリューションの公平で包括的で再現可能な比較を可能にするために設計されたベンチマークである。 リッチデータセットとともにBasicTS+を適用し,45 MTS以上の予測ソリューションの性能を評価する。
  論文  参考訳（メタデータ） (2023-10-09T19:52:22Z)

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。