論文の概要: FETS Benchmark: Foundation Models Outperform Dataset-specific Machine Learning in Energy Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2604.22328v1
• Date: Fri, 24 Apr 2026 08:00:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.390362
• Title: FETS Benchmark: Foundation Models Outperform Dataset-specific Machine Learning in Energy Time Series Forecasting
• Title（参考訳）: FETSベンチマーク:エネルギー時系列予測におけるデータセット固有の機械学習のパフォーマンス向上のための基礎モデル
• Authors: Marco Obermeier, Marco Pruckner, Florian Haselbeck, Andreas Zeiselmair,
• Abstract要約: 広範囲な事前学習を通じて一般化可能なパターンを学習することを目的とした基礎モデルは、複数の予測タスクにおいて優れた性能を示した。 その成功とエネルギー予測の課題に対処する強い可能性にもかかわらず、この領域での彼らの応用はいまだに未解明のままである。
• 参考スコア（独自算出の注目度）: 0.39373541926236766
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driven by the transition towards a climate-neutral energy system, accurate energy time series forecasting is critical for planning and operation. Yet, it remains largely a dataset-specific task, requiring comprehensive training data, limiting scalability, and resulting in high model development and maintenance effort. Recently, foundation models that aim to learn generalizable patterns via extensive pretraining have shown superior performance in multiple prediction tasks. Despite their success and strong potential to address challenges in energy forecasting, their application in this domain remains largely unexplored. We address this gap by presenting the Foundation Models in Energy Time Series Forecasting (FETS) benchmark. We (1) provide a structured overview of energy forecasting use cases along three main dimensions: stakeholders, attributes, and data categories; (2) collect and analyze 54 datasets across 9 data categories, guided by typical stakeholder interests; (3) benchmark foundation models against classical machine learning approaches across different forecasting settings. Foundation models consistently outperform dataset-specific optimized machine learning approaches across all settings and data categories, despite the latter having seen the full historic target data during training. In particular, covariate-informed foundation models achieve the strongest performance. Further analysis reveals a strong correlation between predictive performance and spectral entropy, performance saturation beyond a certain context length, and improved performance at higher aggregation levels such as national load, district heating, and power grid data. Overall, our findings highlight the strong potential of foundation models as scalable and generalizable forecasting solutions for the energy domain, particularly in data-constrained and privacy-sensitive settings.
• Abstract（参考訳）: 気候中性エネルギーシステムへの移行によって、正確なエネルギー時系列予測は計画と運用にとって重要である。 しかし、これは主にデータセット固有のタスクであり、包括的なトレーニングデータを必要とし、スケーラビリティを制限し、結果として高いモデル開発とメンテナンスの労力がかかる。 近年,広範囲な事前学習による一般化可能なパターンの学習を目的とした基礎モデルは,複数の予測タスクにおいて優れた性能を示した。 その成功とエネルギー予測の課題に対処する強い可能性にもかかわらず、この領域での彼らの応用はいまだに未解明のままである。 エネルギー時系列予測(FETS)における基礎モデル(Foundation Models in Energy Time Series Forecasting)のベンチマークを提示することで、このギャップに対処する。 1)利害関係者,属性,データカテゴリ,(2)典型的な利害関係者による9つのデータカテゴリにわたる54のデータセットの収集と分析,(3)予測設定の異なる古典的機械学習アプローチに対する基礎モデルのベンチマークを行う。 ファウンデーションモデルは、トレーニング中にすべての歴史的なターゲットデータを見たにもかかわらず、データセット固有の最適化された機械学習アプローチを、すべての設定とデータカテゴリで一貫して上回っている。 特に、共変量インフォームドファンデーションモデルは、最強のパフォーマンスを達成する。 さらに分析した結果, 予測性能とスペクトルエントロピーの相関が強く, 一定のコンテキスト長を超える性能飽和, 国家負荷, 地域熱量, 電力グリッドデータなどの高集積レベルでの性能向上が見られた。 全体としては、エネルギー領域のスケーラビリティと一般化可能な予測ソリューションとして、特にデータ制約やプライバシに敏感な設定において、ファンデーションモデルが持つ強い可能性を強調します。

関連論文リスト

• Time Series Foundation Models as Strong Baselines in Transportation Forecasting: A Large-Scale Benchmark Analysis [5.316908050163474]
  本稿では,一般向け時系列基盤モデルが輸送作業の予測に役立てられるかどうかを考察する。 最先端モデルであるChronos-2のゼロショット性能を10個の実世界のデータセットでベンチマークする。 タスク固有の微調整がなくても、Chronos-2は、ほとんどのデータセットに対して最先端または競合的な正確性を提供します。
  論文  参考訳（メタデータ） (2026-02-27T18:10:54Z)
• On Electric Vehicle Energy Demand Forecasting and the Effect of Federated Learning [1.2599533416395765]
  電気自動車供給機器(EVSE)のエネルギー需給予測は、効率的なエネルギー管理と持続可能性を確保する上で最も重要な作業の1つである。 ユーティリティプロバイダは、エネルギー/電力需要を予測し、リソース割り当てを最適化し、グリッド信頼性を改善するための積極的な対策を実行することができる。 プライバシーやサステナビリティに関する懸念や制限が高まるにつれ、トレーニングデータの断片化がますます進んでいる。
  論文  参考訳（メタデータ） (2026-02-24T11:21:45Z)
• It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks [87.7937890373758]
  時系列基礎モデル(TSFM)は,特定のデータセットモデルから一般化可能なタスク評価に至るまで,予測環境に革命をもたらしている。 我々は、50の新しいデータセットと98の予測タスクからなる次世代タスク中心のベンチマークであるTIMEを紹介する。 静的なメタラベルに基づく従来のデータセットレベルの評価を超える新しいパターンレベルの評価視点を提案する。
  論文  参考訳（メタデータ） (2026-02-12T16:31:01Z)
• Generalist vs Specialist Time Series Foundation Models: Investigating Potential Emergent Behaviors in Assessing Human Health Using PPG Signals [22.364607686570384]
  ファンデーションモデルは、大量のデータに基づいて事前訓練された大規模な機械学習モデルである。 MOMENTのような最近の研究は、汎用時系列基礎モデルを複数のドメインのデータで訓練している。 本稿では,ジェネラリストモデルとスペシャリストモデルのパフォーマンスを比較するため,総合的なベンチマーク研究を行うことを目的とする。
  論文  参考訳（メタデータ） (2025-10-16T03:13:04Z)
• 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)
• IISE PG&E Energy Analytics Challenge 2025: Hourly-Binned Regression Models Beat Transformers in Load Forecasting [0.0]
  本研究では,古典的回帰手法から高度なディープラーニングアーキテクチャに至るまで,予測モデルを評価する。 このデータセットには、過去2年間の電力負荷データと、5つの場所にわたる温度およびグローバル水平照射(GHI)が含まれている。 その結果、TimeGPTを含むディープラーニングモデルは、より単純な統計的および機械学習アプローチを一貫して上回りません。
  論文  参考訳（メタデータ） (2025-05-16T15:55:34Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• 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)
• Pushing the Limits of Pre-training for Time Series Forecasting in the CloudOps Domain [54.67888148566323]
  クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。 強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。 これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
  論文  参考訳（メタデータ） (2023-10-08T08:09:51Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• Short-Term Load Forecasting using Bi-directional Sequential Models and Feature Engineering for Small Datasets [6.619735628398446]
  本稿では,双方向逐次モデルに基づく短期負荷予測のためのディープラーニングアーキテクチャを提案する。 提案したアーキテクチャでは、生の入力と手作りの特徴を異なるレベルで訓練し、それぞれの出力を組み合わせて最終的な予測を行う。 提案手法の有効性は, 全く異なるパターンを持つ5カ国のデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2020-11-28T14:11:35Z)

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。