論文の概要: Day-Ahead Electricity Price Forecasting for Volatile Markets Using Foundation Models with Regularization Strategy

• arxiv url: http://arxiv.org/abs/2602.05430v1
• Date: Thu, 05 Feb 2026 08:20:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.838427
• Title: Day-Ahead Electricity Price Forecasting for Volatile Markets Using Foundation Models with Regularization Strategy
• Title（参考訳）: 規則化戦略をもつ基礎モデルを用いた揮発性市場の日頭電力価格予測
• Authors: Kritchanat Ponyuenyong, Pengyu Tu, Jia Wei Tan, Wei Soon Cheong, Jamie Ng Suat Ling, Lianlian Jiang,
• Abstract要約: 時系列基礎モデル (TSFM) は, 時系列予測タスクにおいて高い性能を示した。 本稿では、スパイク正規化戦略を提案し、従来の統計およびDLモデルに対して幅広いTSFMを評価する。 結果、TSFMは従来のアプローチを一貫して上回り、MAPEの37.4%の改善を達成している。
• 参考スコア（独自算出の注目度）: 2.6110235246137328
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Electricity price forecasting (EPF) is essential for energy markets stakeholders (e.g. grid operators, energy traders, policymakers) but remains challenging due to the inherent volatility and nonlinearity of price signals. Traditional statistical and deep learning (DL) models often struggle to capture complex temporal dependencies and integrate heterogeneous data effectively. While time series foundation models (TSFMs) have shown strong performance in general time series forecasting tasks, such as traffic forecasting and weather forecasting. However, their effectiveness in day-ahead EPF, particularly in volatile markets, remains underexplored. This paper presents a spike regularization strategy and evaluates a wide range of TSFMs, including Tiny Time Mixers (TTMs), MOIRAI, MOMENT, and TimesFM, against traditional statistical and DL models such as Autoregressive Integrated Moving Average (ARIMA), Long-short Term Memory (LSTM), and Convolutional Neural Network - LSTM (CNN-LSTM) using half-hourly wholesale market data with volatile trends in Singapore. Exogenous factors (e.g. weather and calendar variables) are also incorporated into models where applicable. Results demonstrate that TSFMs consistently outperform traditional approaches, achieving up to 37.4% improvement in MAPE across various evaluation settings. The findings offer practical guidance for improving forecast accuracy and decision-making in volatile electricity markets.
• Abstract（参考訳）: 電力価格予測(EPF)はエネルギー市場の利害関係者(グリッド事業者、エネルギートレーダー、政策立案者など)にとって不可欠であるが、価格信号の固有のボラティリティと非線形性のために依然として困難である。 従来の統計的およびディープラーニング(DL)モデルは、複雑な時間的依存を捉え、異種データを効果的に統合するのに苦労することが多い。 時系列基礎モデル(TSFM)は,交通予報や天気予報といった一般的な時系列予測タスクにおいて高い性能を示した。 しかし、特に揮発性市場において、その日頭EPFにおける効果はいまだに過小評価されている。 本稿では,TTM(Tiny Time Mixers),MOIRAI,MOMENT,TimeFMなどのTSFMを,シンガポールにおける半時間ごとの市場データと変動傾向を用いた畳み込みニューラルネットワーク(LSTM),長短項記憶(LSTM),畳み込みニューラルネットワーク(LSTM)といった従来の統計・DLモデルに対して,スパイク正規化戦略を提案し,幅広いTSFMを評価した。 外因性因子(例えば天気やカレンダー変数)も適用可能なモデルに組み込まれている。 その結果、TSFMは従来のアプローチより一貫して優れており、様々な評価設定で最大37.4%のMAPEの改善が達成されている。 この結果は、揮発性電気市場の予測精度と意思決定を改善するための実用的なガイダンスを提供する。

関連論文リスト

• Multi-Horizon Electricity Price Forecasting with Deep Learning in the Australian National Electricity Market [2.2951895147679298]
  本稿では,新しい電力価格予測(EPF)フレームワークを提案する。 標準DLモデルはほとんどの地域で優れた性能を示し、SOTA時系列DLモデルは水平線拡大予測に強い堅牢性を示す。
  論文  参考訳（メタデータ） (2026-02-01T11:08:40Z)
• Optimization of Deep Learning Models for Dynamic Market Behavior Prediction [4.594360512414794]
  UCI Online Retail IIデータセットを用いて,電子商取引におけるマルチ水平需要予測について検討した。 本稿では,マルチスケールの時間的畳み込み,ゲートリカレントモジュール,タイムアウェア・セルフアテンションを組み合わせたハイブリッド・シーケンス・モデルを提案する。 結果は,ピーク/ホリデー期間において,一貫した精度向上と改善を示した。
  論文  参考訳（メタデータ） (2025-11-24T13:30:52Z)
• 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)
• SEMPO: Lightweight Foundation Models for Time Series Forecasting [45.456949943052116]
  SEMPOは比較的小規模なデータに対する事前トレーニングを必要とする軽量な基礎モデルであるが、強い時系列予測を示す。 SEMPOは、1)エネルギーを意識したSpEctral分解モジュールと、事前学習データの利用を大幅に改善する2つの重要なモジュールから構成される。 16のデータセットをカバーする2つの大規模ベンチマークの実験は、ゼロショットと少数ショットの予測シナリオの両方でSEMPOの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-10-22T15:58:44Z)
• Benchmarking Pre-Trained Time Series Models for Electricity Price Forecasting [1.1557852082644071]
  我々は、電力価格予測のための確立された統計および機械学習(ML)手法に対して、最先端の事前訓練モデルをいくつかベンチマークする。 ドイツ、フランス、オランダ、オーストリア、ベルギーの2024日の日頭オークション(DAA)の電力価格を用いて、1日当たりの予想を下方修正する。 Chronos-BoltとTime-MoEはTSFMの中でも最強で、従来のモデルと同等のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-06-09T18:10:00Z)
• BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
  本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。 我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
  論文  参考訳（メタデータ） (2024-11-09T05:40:32Z)
• 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)
• Probabilistic Forecasting of Real-Time Electricity Market Signals via Interpretable Generative AI [41.99446024585741]
  Weak Innovation AutoEncoderをベースとしたGenerative Probabilistic ForecastingアーキテクチャであるWIAE-GPFを提案する。 構造収束を保証する新しい学習アルゴリズムを提案し、生成した予測サンプルが基底真理条件付き確率分布と一致することを保証した。
  論文  参考訳（メタデータ） (2024-03-09T00:41:30Z)
• 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)

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。