論文の概要: Assessing the Performance-Efficiency Trade-off of Foundation Models in Probabilistic Electricity Price Forecasting

• arxiv url: http://arxiv.org/abs/2604.14739v1
• Date: Thu, 16 Apr 2026 07:53:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.791282
• Title: Assessing the Performance-Efficiency Trade-off of Foundation Models in Probabilistic Electricity Price Forecasting
• Title（参考訳）: 確率的電力価格予測における基礎モデルの性能・効率トレードオフの評価
• Authors: Jan Niklas Lettner, Hadeer El Ashhab, Veit Hagenmeyer, Benjamin Schäfer,
• Abstract要約: 大規模な再生可能エネルギーの展開は、電力系統に顕著なボラティリティを導入し、グリッドの運用を複雑な最適化問題に変える。 正確な電力価格予測(EPF)は、運用上の決定を支援するだけでなく、経済リスクの低減や市場効率の向上にも不可欠である。 正確な予測を生成するためにどのモデルを使うべきかという疑問が残る。これらはタスク固有の機械学習(ML)モデルか、時系列基礎モデル(TSFM)なのか?
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale renewable energy deployment introduces pronounced volatility into the electricity system, turning grid operation into a complex stochastic optimization problem. Accurate electricity price forecasting (EPF) is essential not only to support operational decisions, such as optimal bidding strategies and balancing power preparation, but also to reduce economic risk and improve market efficiency. Probabilistic forecasts are particularly valuable because they quantify uncertainty stemming from renewable intermittency, market coupling, and regulatory changes, enabling market participants to make informed decisions that minimize losses and optimize expected revenues. However, it remains an open question which models to employ to produce accurate forecasts. Should these be task-specific machine learning (ML) models or Time Series Foundation Models (TSFMs)? In this work, we compare four models for day-ahead probabilistic EPF (PEPF) in European bidding zones: a deterministic NHITS backbone with Quantile-Regression Averaging (NHITS+QRA) and a conditional Normalizing-Flow forecaster (NF) are compared with two TSFMs, namely Moirai and ChronosX. On the one hand, we find that TSFMs outperform task-specific deep learning models trained from scratch in terms of CRPS, Energy Score, and predictive interval calibration across market conditions. On the other hand, we find that well-configured task-specific models, particularly NHITS combined with QRA, achieve performance very close to TSFMs, and in some scenarios, such as when supplied with additional informative feature groups or adapted via few-shot learning from other European markets, they can even surpass TSFMs. Overall, our findings show that while TSFMs offer expressive modeling capabilities, conventional models remain highly competitive, emphasizing the need to weigh computational expense against marginal performance improvements in PEPF.
• Abstract（参考訳）: 大規模な再生可能エネルギーの展開は、電力系統に顕著なボラティリティを導入し、グリッドの運用を複雑な確率的最適化問題に変える。 正確な電力価格予測(EPF)は、最適入札戦略やバランスの取れた電力準備などの運用上の決定を支援するだけでなく、経済リスクの低減や市場効率の向上にも不可欠である。 確率的予測は、再生可能断続性、市場カップリング、規制の変化に起因する不確実性を定量化し、市場参加者が損失を最小限に抑え、予想される収益を最適化する情報的な決定をすることができるため、特に価値がある。 しかし、正確な予測を生成するためにどのモデルを使うべきかは未解決のままである。 これらはタスク固有の機械学習(ML)モデルか、時系列基礎モデル(TSFM)か? 本研究では, 日頭確率EPF (PEPF) の欧州入札ゾーンにおける4つのモデルを比較し, 定量回帰平均化 (NHITS+QRA) と条件付き正規化フロー予測 (NF) をモイライとクロノスXの2つのTSFMと比較した。 一方、TSFMは、CRPS、Energy Score、予測間隔キャリブレーションにおいて、スクラッチから訓練されたタスク固有のディープラーニングモデルよりも優れていることが判明した。 一方、よく構成されたタスク固有モデル、特にNHITSとQRAの組み合わせは、TSFMに非常に近い性能を達成し、追加の情報機能群を供給した場合や、他のヨーロッパ市場からの少数ショット学習によって適応する場合、TSFMを超越することもある。 全体として、TSFMは表現的モデリング機能を提供しているが、従来のモデルは競争力が高いままであり、PEPFの限界性能改善に対する計算コストの重み付けの必要性を強調している。

関連論文リスト

• Regression Models Meet Foundation Models: A Hybrid-AI Approach to Practical Electricity Price Forecasting [39.91788164419845]
  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。
  論文  参考訳（メタデータ） (2026-03-06T02:06:46Z)
• Day-Ahead Electricity Price Forecasting for Volatile Markets Using Foundation Models with Regularization Strategy [2.6110235246137328]
  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。
  論文  参考訳（メタデータ） (2026-02-05T08:20:50Z)
• 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)
• 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)
• Probabilistic Forecasting for Building Energy Systems using Time-Series Foundation Models [20.57107693396709]
  エネルギーシステムの構築は、関連する時系列モデルの予測精度に依存する。 本稿では,建築エネルギー予測における時系列基礎モデル(TSFM)の適用性と微調整戦略について検討する。
  論文  参考訳（メタデータ） (2025-05-31T16:38:29Z)
• 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)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [48.87381259980254]
  我々は、ChatGPTのような大規模言語モデル(LLM)が、直接の金融トレーニングなしでニュースの見出しから株式市場の反応を予測する能力について文書化している。 GPT-4は、認識後カットオフの見出しを使って、最初の市場の反応を捉え、取引不能な初期反応に対して、ポートフォリオの1日当たりのヒット率を約90%達成している。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)

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。