論文の概要: Hybrid Kolmogorov-Arnold Network and XGBoost Framework for Week-Ahead Price Forecasting in Australia's National Electricity Market

• arxiv url: http://arxiv.org/abs/2605.22387v1
• Date: Thu, 21 May 2026 12:19:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 20:14:18.56413
• Title: Hybrid Kolmogorov-Arnold Network and XGBoost Framework for Week-Ahead Price Forecasting in Australia's National Electricity Market
• Title（参考訳）: オーストラリアの電力市場における週平均価格予測のためのハイブリッド・コルモゴロフ・アルノルドネットワークとXGBoostフレームワーク
• Authors: Houxuan Zhou, Sriram Prasad, Chenghao Huang, Jiajie Feng, Hao Wang,
• Abstract要約: 本稿では,オーストラリア国定電力市場における週平均電力価格の予測について検討する。 Kolmogorov-Arnold Networks (KAN) とツリーベースの学習を統合するハイブリッドな Kan+XGBoost フレームワークを提案する。 提案手法は,kanのグローバル非線形表現能力とXGBoostの局所的ロバスト性を組み合わせることで,長期的依存と短期的価格変動の両方を捉える。
• 参考スコア（独自算出の注目度）: 3.1887815332625764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate electricity price forecasting (EPF) is essential for market participants to support operational planning and risk management, yet remains challenging due to strong volatility, nonlinear dynamics, and frequent extreme price spikes. These challenges are particularly pronounced in the Australian National Electricity Market (NEM), where high renewable penetration further increases uncertainty. This paper investigates week-ahead electricity price forecasting and proposes a hybrid KAN+XGBoost framework that integrates Kolmogorov-Arnold Networks (KAN) with tree-based learning. The proposed approach combines the global nonlinear representation capability of KAN with the local robustness of XGBoost to capture both long-term dependencies and short-term price fluctuations. Experiments are conducted on real-world NEM data using an expanding window evaluation strategy. The results demonstrate that the proposed model outperforms benchmark methods, including SARIMAX, Long Short-Term Memory (LSTM), standalone KAN, and XGBoost, reducing MAE by approximately 12% compared to XGBoost and by over 50% compared to a naive baseline. The results suggest that hybrid learning strategies provide an effective and robust solution for electricity price forecasting in highly dynamic electricity markets.
• Abstract（参考訳）: 正確な電力価格予測(EPF)は、市場参加者が運用計画とリスク管理を支援するために不可欠であるが、強いボラティリティ、非線形ダイナミクス、頻繁な極端な価格急騰のために依然として困難である。 これらの課題は、高い再生可能エネルギーの浸透がさらに不確実性を高めるオーストラリア国定電力市場(NEM)において特に顕著である。 本稿では,週ごとの電力価格予測について検討し,Kolmogorov-Arnold Networks(KAN)と木に基づく学習を統合したKang+XGBoostフレームワークを提案する。 提案手法は,kanのグローバル非線形表現能力とXGBoostの局所的ロバスト性を組み合わせることで,長期的依存と短期的価格変動の両方を捉える。 拡張ウィンドウ評価戦略を用いて実世界のNEMデータを用いて実験を行った。 その結果,提案モデルはSARIMAX,Long Short-Term Memory (LSTM),スタンドアロンkan,XGBoostなどのベンチマーク手法より優れており,MAEはXGBoostに比べて約12%,平均ベースラインより50%以上低下していることがわかった。 その結果,ハイブリッド学習戦略は,高ダイナミックな電力市場における電力価格予測に有効かつ堅牢なソリューションを提供する可能性が示唆された。

関連論文リスト

• Electricity price forecasting across Norway's five bidding zones in the post-crisis era [2.679345223424902]
  ノルウェーの電力市場は水力発電に大きく支配されている。 2021-2022年のエネルギー危機と大陸ヨーロッパとの緊密な統合は、価格形成を根本的に変えた。 ノルウェーの5つの北プール帯の電力価格予測を総合的に評価する。
  論文  参考訳（メタデータ） (2026-04-29T13:02:02Z)
• Exploring the Interpretability of Forecasting Models for Energy Balancing Market [43.548887305614585]
  エネルギーセクターのバランス市場は、供給と需要の物理的および経済的バランスにおいて重要な役割を担っている。 複雑な機械学習モデルは高い精度を達成することができるが、ブラックボックスの性質はモデルの解釈可能性を大幅に制限する。 本稿では,エネルギーバランス市場におけるモデル精度と解釈可能性のトレードオフについて検討する。
  論文  参考訳（メタデータ） (2026-01-19T12:56:41Z)
• 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)
• Adaptive Online Learning with LSTM Networks for Energy Price Prediction [0.5514902789425196]
  本研究は,カリフォルニアのエネルギー市場における日頭電力価格の予測モデルの開発に焦点をあてる。 このモデルには、歴史的価格データ、気象条件、エネルギーの混合など、さまざまな特徴が含まれている。 その結果、カスタム損失関数はモデルの性能を向上し、予測値と実際の値がより密に一致できることが示されている。
  論文  参考訳（メタデータ） (2025-10-19T15:48:38Z)
• ML-Based Bidding Price Prediction for Pay-As-Bid Ancillary Services Markets: A Use Case in the German Control Reserve Market [45.62331048595689]
  本稿では,ドイツ支配予備市場を中心に,従量制サービス市場における入札価格の予測手法を提案する。 サポートベクトル回帰、決定木、k-Nearest Neighborsなど、さまざまな機械学習モデルを評価し、ベンチマークモデルと比較する。 分析の結果,提案手法はベースラインモデルと比較して27.43%から37.31%に改善することが示された。
  論文  参考訳（メタデータ） (2025-03-21T15:21:43Z)
• Deep Learning-Based Electricity Price Forecast for Virtual Bidding in Wholesale Electricity Market [3.130428666578115]
  本研究では,ERCOT(Electric Reliability Council of Texas)市場におけるリアルタイム電力価格と日頭電力価格の間に広がる価格を予測するためのトランスフォーマーに基づくディープラーニングモデルを提案する。 提案したモデルは現実的な制約の下で訓練され、毎週モデルを更新してウォーキングフォワードアプローチを用いて検証される。 その結果, ピーク時のみの取引戦略が50%を超える精度で, ほぼ一貫した利益をもたらすことがわかった。
  論文  参考訳（メタデータ） (2024-11-25T20:04:16Z)
• On-line conformalized neural networks ensembles for probabilistic forecasting of day-ahead electricity prices [41.94295877935867]
  我々はPEPFに対する新しいアプローチを提案し、同型推論に基づく手法を用いて、アートニューラルネットワークのアンサンブルの手法を拡張した。 複数の市場地域で実験が行われ、昼の予測が達成され、時間帯のカバレッジが向上し、安定した確率的スコアが得られた。
  論文  参考訳（メタデータ） (2024-04-03T13:22:47Z)
• A Hybrid Model for Forecasting Short-Term Electricity Demand [59.372588316558826]
  現在、英国電気市場は、規制当局が30分毎に発行する負荷(需要)予測によってガイドされている。 本稿では,機能工学(候補予測機能の選択),移動ウィンドウ予測,LSTMエンコーダデコーダを組み合わせたハイブリッド予測モデルHYENAを提案する。
  論文  参考訳（メタデータ） (2022-05-20T22:13:25Z)
• Predictive Accuracy of a Hybrid Generalized Long Memory Model for Short Term Electricity Price Forecasting [0.0]
  本研究では、一般化長メモリ自己回帰モデル(k-factor GARMA)に基づく新しいハイブリッドモデルの予測性能について検討する。 提案モデルの性能を北プール電力市場のデータを用いて評価した。
  論文  参考訳（メタデータ） (2022-04-18T12:21:25Z)
• Hybrid Modelling Approaches for Forecasting Energy Spot Prices in EPEC market [62.997667081978825]
  EPEC市場におけるエネルギースポット価格予測のためのハイブリッドモデリング手法について検討する。 データは2013-2014年の電力価格、2015年のテストデータで提供された。
  論文  参考訳（メタデータ） (2020-10-14T12:45:53Z)

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。