論文の概要: A Market-Rule-Informed Neural Network for Efficient Imbalance Electricity Price Forecasting

• arxiv url: http://arxiv.org/abs/2605.09061v1
• Date: Sat, 09 May 2026 17:07:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.049923
• Title: A Market-Rule-Informed Neural Network for Efficient Imbalance Electricity Price Forecasting
• Title（参考訳）: 効率の良い不均衡電力価格予測のためのマーケットルールインフォームニューラルネットワーク
• Abstract要約: 本稿では,不均衡価格形成規則を表現型ニューラルネットワークの潜在空間に組み込む,マーケットルールインフォーム型ニューラル予測フレームワークを提案する。 実験結果から,提案モデルでは,訓練可能なパラメータが大幅に少なく,学習時間も一般のディープラーニングベースラインよりも短く,競争予測性能が得られた。
• 参考スコア（独自算出の注目度）: 8.650321205201289
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and efficient imbalance electricity price forecasting is critical for industrial energy trading systems, especially as battery assets and automated bidding pipelines increasingly participate in balancing markets. However, real-time forecasting is complicated by nonlinear market-rule-based price formation, heterogeneous input signals, and incomplete data availability caused by communication delays, publication lags, and measurement outages. This paper proposes a market-rule-informed neural forecasting framework that embeds imbalance price formation rules into the latent space of an expressive neural network. The proposed framework preserves raw signal information while exploiting transparent market-rule priors. We further analyze operational robustness by removing price-component information and characterize how forecasting performance scales with input length and forecasting horizon. Experimental results show that the proposed model achieves competitive forecasting performance with substantially fewer trainable parameters and shorter training time than generic deep learning baselines. Experimental results show that the proposed model achieves competitive forecasting performance with substantially fewer trainable parameters and shorter training time than generic deep learning baselines, demonstrating that market-rule priors and expressive neural networks should be jointly used for accurate and computationally sustainable forecasting in industrial energy trading applications. The implementation is publicly available at https://runyao-yu.github.io/MRINN/.
• Abstract（参考訳）: 特に、バッテリ資産や自動入札パイプラインが市場バランスにますます関与しているため、産業エネルギー取引システムにとって、正確で効率的な不均衡な電力価格予測が重要である。 しかし、非線形市場ルールに基づく価格形成、不均一な入力信号、通信遅延、公開遅延、測定停止による不完全なデータ可用性により、リアルタイム予測は複雑である。 本稿では,不均衡価格形成規則を表現型ニューラルネットワークの潜在空間に組み込む,マーケットルールインフォーム型ニューラル予測フレームワークを提案する。 提案フレームワークは,透明な市場ルールを活用しつつ,生信号情報を保存する。 さらに、価格成分情報を取り除き、入力長と予測水平線で予測性能がどのようにスケールするかを特徴付けることにより、運用上のロバスト性をさらに分析する。 実験結果から,提案モデルでは,訓練可能なパラメータが大幅に少なく,学習時間も一般のディープラーニングベースラインよりも短く,競争予測性能が得られた。 実験結果から,提案モデルは,一般のディープラーニングベースラインよりもトレーニング可能なパラメータが大幅に少なく,トレーニング時間が短い競争予測性能を達成し,産業エネルギー取引アプリケーションにおいて,市場ルールの先行値と表現型ニューラルネットワークが正確かつ持続可能な予測に併用されるべきであることを実証した。 実装はhttps://runyao-yu.github.io/MRINN/で公開されている。

関連論文リスト

• Electricity Price Forecasting: Bridging Linear Models, Neural Networks and Online Learning [0.0]
  線形および非線形フィードフォワードニューラルネットワーク構造を組み合わせた新しいニューラルネットワーク手法を提案する。 現在のベンチマークモデルと比較して,提案手法は計算コストを大幅に削減する。 本研究は,欧州の主要電力市場を対象とした6年間の予測調査から得られたものである。
  論文  参考訳（メタデータ） (2026-01-06T09:35:02Z)
• PREIG: Physics-informed and Reinforcement-driven Interpretable GRU for Commodity Demand Forecasting [27.542312745632458]
  PreIGは、商品需要予測に適した新しいディープラーニングフレームワークである。 このモデルは、Gated Recurrent Unit(GRU)アーキテクチャを物理インフォームドニューラルネットワーク(PINN)の原則と一意に統合する。
  論文  参考訳（メタデータ） (2025-07-29T11:38:07Z)
• Conformal Prediction for Electricity Price Forecasting in the Day-Ahead and Real-Time Balancing Market [0.0]
  再生可能エネルギーの電気市場への統合は 価格安定に重大な課題をもたらします 本研究では, Conformal Prediction (CP) 技術を用いた確率的価格予測の強化について検討した。 本稿では,量子レグレッションモデルの効率と時系列適応CP手法の強靭なカバレッジ特性を組み合わせたアンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2025-02-07T13:57:47Z)
• Improving Sequential Market Coordination via Value-oriented Renewable Energy Forecasting [3.0665531066360066]
  本稿では,実運用段階においてより効率的にRIEQ(RES Improved Entering Quantities)を決定するために,価値指向予測(value-oriented forecasting)と呼ばれるトレーニングされた予測モデルを提案する。 統計的予測誤差を最小化する従来のモデルとは異なり、我々のアプローチはパラメータを訓練し、DA市場とRT市場の両方で期待される全体の運用コストを最小化する。
  論文  参考訳（メタデータ） (2024-05-15T00:04:08Z)
• 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)
• 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)
• Augmented Bilinear Network for Incremental Multi-Stock Time-Series Classification [83.23129279407271]
  本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。 本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。 この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
  論文  参考訳（メタデータ） (2022-07-23T18:54:10Z)
• Approaching sales forecasting using recurrent neural networks and transformers [57.43518732385863]
  深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。 実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。 提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
  論文  参考訳（メタデータ） (2022-04-16T12:03:52Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Bilinear Input Normalization for Neural Networks in Financial Forecasting [101.89872650510074]
  本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。 提案手法は,財務時系列のバイモーダル特性を考慮したものである。 我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
  論文  参考訳（メタデータ） (2021-09-01T07:52:03Z)
• Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
  ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。 近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。 本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
  論文  参考訳（メタデータ） (2021-07-05T10:15:23Z)
• N-BEATS neural network for mid-term electricity load forecasting [8.430502131775722]
  提案手法は,中期電力負荷予測問題の解決に有効であることを示す。 実装と訓練は簡単で、信号前処理は不要であり、予測バイアス低減機構を備えている。 実験的な研究によると、提案されたニューラルネットワークは、正確性と予測バイアスの両方の観点から、すべての競合より明らかに優れています。
  論文  参考訳（メタデータ） (2020-09-24T21:48:08Z)

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。