論文の概要: Evaluating Time Series Foundation Models for Electricity Price Forecasting: Contamination Risk, Distributional Shifts, and Covariate Dependence

• arxiv url: http://arxiv.org/abs/2607.02623v1
• Date: Thu, 02 Jul 2026 11:43:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.362939
• Title: Evaluating Time Series Foundation Models for Electricity Price Forecasting: Contamination Risk, Distributional Shifts, and Covariate Dependence
• Title（参考訳）: 電力価格予測のための時系列基礎モデルの評価:汚染リスク、分散シフト、および共変量依存性
• Abstract要約: 時系列基礎モデル(TSFM)は、強いゼロショット予測性能を示した。 電力価格予測(EPF)は、複雑な時間的依存、分布シフト、構造的および文脈的情報への強い依存による、困難なテストベッドを示す。 本稿では,汚染リスクを軽減し,TSFMの公平な評価を可能にするために,EPFのための2データセットベンチマークフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.5371337604556311
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series foundation models (TSFMs) have shown strong zero-shot forecasting performance, but their generalization in covariate-driven, non-stationary settings is underexplored. Electricity price forecasting (EPF) presents a challenging testbed due to complex temporal dependencies, distributional shifts, and strong reliance on structural and contextual information. We propose a two-dataset-benchmarking framework for EPF to mitigate contamination risk and enable fair evaluation of TSFMs. We examine key aspects of EPF including point and probabilistic forecasting performance, tail behavior, price spikes, and comparisons against domain-specific methods. We find that TSFMs are highly competitive and often outperform general-purpose baselines. Yet, their performance depends critically on covariate support, and they do not consistently surpass domain-specific methods tailored to EPF. Interestingly, simple ensembles of TSFMs and domain-specific methods appear to have significant potential, suggesting that the two approaches capture complementary predictive information.
• Abstract（参考訳）: 時系列基礎モデル(TSFM)は、強いゼロショット予測性能を示すが、共変量駆動の非定常的設定での一般化は未定である。 電力価格予測(EPF)は、複雑な時間的依存、分布シフト、構造的および文脈的情報への強い依存による、困難なテストベッドを示す。 本稿では,汚染リスクを軽減し,TSFMの公平な評価を可能にするために,EPFのための2データセットベンチマークフレームワークを提案する。 本稿では,EPFの重要な側面として,点数および確率予測性能,テール挙動,価格スパイク,ドメイン固有の手法との比較について検討する。 TSFMは競争力が高く、汎用ベースラインよりも優れています。 しかし、それらのパフォーマンスは共変量のサポートに大きく依存しており、EPFに適したドメイン固有のメソッドを一貫して超越しているわけではない。 興味深いことに、TSFMとドメイン固有の手法の単純なアンサンブルは大きな可能性を秘めており、2つのアプローチが相補的な予測情報を取得することを示唆している。

関連論文リスト

• Assessing the Performance-Efficiency Trade-off of Foundation Models in Probabilistic Electricity Price Forecasting [0.0]
  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?
  論文  参考訳（メタデータ） (2026-04-16T07:53:38Z)
• STAR : Bridging Statistical and Agentic Reasoning for Large Model Performance Prediction [78.0692157478247]
  本稿では,知識駆動型エージェント推論を用いて,データ駆動型静的予測を橋渡しするフレームワークSTARを提案する。 STARはスコアベースとランクベースの両方の基準線を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-12T16:30:07Z)
• EMFusion: Conditional Diffusion Framework for Trustworthy Frequency Selective EMF Forecasting in Wireless Networks [16.779358331828327]
  本稿では,条件付き多変量拡散に基づく確率予測フレームワークEMFusionを紹介する。 様々な状況要因(例えば、日時、季節、休日など)を統合し、明確な不確実性評価を提供する。 周波数選択型EMFデータセットを用いた数値実験により,作業時間の文脈情報を用いたEMFusionがベースラインモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2025-12-17T04:12:52Z)
• 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)
• Time Series Foundation Models: Benchmarking Challenges and Requirements [0.0]
  時系列基礎モデル(TSFM)は、時系列予測の新しいパラダイムである。 TSFMの評価は、より広範なトレーニングセットと同様に、整合性ベンチマークデータの確保がより困難になるため、難しい。
  論文  参考訳（メタデータ） (2025-10-15T15:15:45Z)
• CoRA: Covariate-Aware Adaptation of Time Series Foundation Models [47.20786327020571]
  Time Series Foundation Models (TSFM) は、そのモデル容量、スケーラビリティ、ゼロショットの一般化を通じて、大きな影響を与えている。 TSFMのための一般共変量認識適応(CoRA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-14T16:20:00Z)
• RDIT: Residual-based Diffusion Implicit Models for Probabilistic Time Series Forecasting [4.140149411004857]
  RDITは、点推定と残差に基づく条件拡散と双方向のMambaネットワークを組み合わせたプラグアンドプレイフレームワークである。 RDITは, 強いベースラインに比べてCRPSの低下, 高速推論, カバレッジの向上を実現している。
  論文  参考訳（メタデータ） (2025-09-02T14:06:29Z)
• MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
  テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。 本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:02:33Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Exploring Progress in Multivariate Time Series Forecasting: Comprehensive Benchmarking and Heterogeneity Analysis [70.78170766633039]
  我々は、MTS予測提案を確実かつ公平に評価する手段の必要性に対処する。 BasicTS+は、MTS予測ソリューションの公平で包括的で再現可能な比較を可能にするために設計されたベンチマークである。 リッチデータセットとともにBasicTS+を適用し,45 MTS以上の予測ソリューションの性能を評価する。
  論文  参考訳（メタデータ） (2023-10-09T19:52:22Z)
• Regions of Reliability in the Evaluation of Multivariate Probabilistic Forecasts [73.33395097728128]
  時系列予測評価のための適切なスコアリングルールに関する最初の体系的な有限サンプル研究を提供する。 本研究では, 地中構造と予測分布のいくつかの重要な相違点をテストするために, 総合的な総合的合成ベンチマークを用いて解析を行った。
  論文  参考訳（メタデータ） (2023-04-19T17:38:42Z)

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。