Fugu-MT 論文翻訳(概要): Regression Models Meet Foundation Models: A Hybrid-AI Approach to Practical Electricity Price Forecasting

論文の概要: Regression Models Meet Foundation Models: A Hybrid-AI Approach to Practical Electricity Price Forecasting

arxiv url: http://arxiv.org/abs/2603.06726v1
Date: Fri, 06 Mar 2026 02:06:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-10 15:13:12.992815
Title: Regression Models Meet Foundation Models: A Hybrid-AI Approach to Practical Electricity Price Forecasting
Title（参考訳）: リグレッションモデルとファンデーションモデル:実用的電力価格予測へのハイブリッドAIアプローチ
Authors: Yunzhong Qiu, Binzhu Li, Hao Wei, Shenglin Weng, Chen Wang, Zhongyi Pei, Mingsheng Long, Jianmin Wang,
Abstract要約: 回帰に基づく予測を強化する新しいパラダイムであるFutureBoostingを提案する。私たちはこのパラダイムを、電力価格予測のための軽量でプラグアンドプレイのフレームワークにインスタンス化します。我々のフレームワークは、最先端のTSFMとレグレッションベースラインを一貫して上回っている。
参考スコア（独自算出の注目度）: 39.91788164419845
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Electricity market prices exhibit extreme volatility, nonlinearity, and non-stationarity, making accurate forecasting a significant challenge. While cutting-edge time series foundation models (TSFMs) effectively capture temporal dependencies, they typically underutilize cross-variate correlations and non-periodic patterns that are essential for price forecasting. Conversely, regression models excel at capturing feature interactions but are limited to future-available inputs, ignoring crucial historical drivers that are unavailable at forecast time. To bridge this gap, we propose FutureBoosting, a novel paradigm that enhances regression-based forecasts by integrating forecasted features generated from a frozen TSFM. This approach leverages the TSFM's ability to model historical patterns and injects these insights as enriched inputs into a downstream regression model. We instantiate this paradigm into a lightweight, plug-and-play framework for electricity price forecasting. Extensive evaluations on real-world electricity market data demonstrate that our framework consistently outperforms state-of-the-art TSFMs and regression baselines, achieving reductions in Mean Absolute Error (MAE) of more than 30% at most. Through ablation studies and explainable AI (XAI) techniques, we validate the contribution of forecasted features and elucidate the model's decision-making process. FutureBoosting establishes a robust, interpretable, and effective solution for practical market participation, offering a general framework for enhancing regression models with temporal context.
Abstract（参考訳）: 電力市場価格は極端なボラティリティ、非線形性、非定常性を示し、正確な予測は重要な課題である。最先端時系列基盤モデル(TSFM)は時間的依存を効果的に捉えるが、一般的には価格予測に必須な多変量相関や非周期パターンを弱めている。逆に、回帰モデルは特徴的相互作用を捉えるのに優れているが、将来利用可能な入力に限られており、予測時に利用できない重要な歴史的ドライバを無視している。このギャップを埋めるため、凍ったTSFMから発生する予測特徴を統合することで回帰ベースの予測を強化する新しいパラダイムであるFutureBoostingを提案する。このアプローチは、TSFMの歴史的パターンをモデル化する能力を活用し、これらの洞察をリッチな入力として下流回帰モデルに注入する。私たちはこのパラダイムを、電力価格予測のための軽量でプラグアンドプレイのフレームワークにインスタンス化します。実世界の電力市場データに対する大規模な評価は、我々のフレームワークが最先端のTSFMと回帰ベースラインを一貫して上回り、平均絶対誤差(MAE)を最大30%以上削減していることを示している。アブレーション研究と説明可能なAI(XAI)技術を通じて、予測された特徴の寄与を検証し、モデルの意思決定プロセスを解明する。 FutureBoostingは、実用的な市場参加のための堅牢で解釈可能な効果的なソリューションを確立し、時間的文脈で回帰モデルを拡張するための一般的なフレームワークを提供する。

関連論文リスト

StockBot 2.0: Vanilla LSTMs Outperform Transformer-based Forecasting for Stock Prices [0.0]
本稿では,近代的注意に基づく,畳み込み,反復的な時系列予測モデルを体系的に評価するStockBotアーキテクチャを提案する。慎重に構築されたバニラLSTMは、予測精度とより安定した購買・販売決定を一貫して達成する。
論文参考訳（メタデータ） (2026-01-01T04:09:51Z)
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)
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)
A Hybrid Autoencoder-Transformer Model for Robust Day-Ahead Electricity Price Forecasting under Extreme Conditions [2.2360725546624267]
本稿では,拡散注意変換器モデルとオートエンコーダ自己回帰モデルを統合した新しいハイブリッドディープラーニングフレームワークを提案する。カリフォルニアと山東省でサンプリングされたデータセットの実験により、我々のフレームワークは予測精度、堅牢性、計算効率において最先端の手法を大幅に上回っていることが示された。
論文参考訳（メタデータ） (2025-11-10T09:47:24Z)
On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文参考訳（メタデータ） (2024-10-21T18:31:04Z)
DiffSTOCK: Probabilistic relational Stock Market Predictions using Diffusion Models [1.9662978733004601]
我々は、歴史的金融指標とストック間関係を前提とした、より良い市場予測を提供するためのアーキテクチャを開発する。また,Masked Transformer (RTM) を用いて,ストック間関係と歴史的ストックの特徴を生かした新しい決定論的アーキテクチャ MTCHS を提供する。
論文参考訳（メタデータ） (2024-03-21T01:20:32Z)
Predictive Churn with the Set of Good Models [61.00058053669447]
本稿では,予測的不整合という2つの無関係な概念の関連性について考察する。予測多重性(英: predictive multiplicity)は、個々のサンプルに対して矛盾する予測を生成するモデルである。 2つ目の概念である予測チャーン(英: predictive churn)は、モデル更新前後の個々の予測の違いを調べるものである。
論文参考訳（メタデータ） (2024-02-12T16:15:25Z)
Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文参考訳（メタデータ） (2024-02-06T21:28:42Z)
Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文参考訳（メタデータ） (2021-06-08T14:48:20Z)
Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文参考訳（メタデータ） (2020-10-27T17:54:12Z)

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。