論文の概要: Deep Learning for Cross-Border Electricity Price Forecasting: A Comparative Study

• arxiv url: http://arxiv.org/abs/2608.17091v1
• Date: Mon, 17 Aug 2026 19:57:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.120614
• Title: Deep Learning for Cross-Border Electricity Price Forecasting: A Comparative Study
• Title（参考訳）: クロスボーダー電力価格予測のための深層学習 : 比較検討
• Abstract要約: 公開データを用いて、複数の市場環境での電力価格予測(EPF)のディープラーニングモデルを評価する。 我々の目標は、予測モデルの一貫した評価を可能にする再現可能なフレームワークを確立することである。 N-HiTSとNBEATSxは限られたデータシナリオで競合するが、トランスフォーマーベースのモデルは同等の精度に達するが、より適応とチューニングを必要とする傾向がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While publicly available electricity market data presents a valuable resource for forecasting research, the field lacks established benchmark datasets for standardized comparison. As a result, many studies have relied on different datasets and metrics to evaluate methods in isolated settings, making it difficult to assess progress and compare state-of-the-art approaches consistently. In this work, we use public data to evaluate deep learning models for electricity price forecasting (EPF) across multiple market settings. Our goal is to establish a reproducible framework that enables a consistent evaluation of forecasting models. Although deep learning has been explored for day-ahead EPF, many prior studies are limited to single-market settings, narrow feature sets, or fixed training regimes. This work presents a comparative evaluation of six deep learning models--covering state-space, MLP, RNN, and Transformer-based architectures--emphasizing generalization across markets. We simulate low-data target-market conditions using zero-shot, one-shot, and few-shot learning. Our test set focuses on the Germany-Luxembourg (DE-LU) bidding zone in 2024 using a standardized dataset with calendar, historical price, and market-derived features. Our findings suggest that N-HiTS and NBEATSx perform competitively in limited-data scenarios, while transformer-based models can reach comparable accuracy but tend to require more adaptation and tuning. Model performance also benefits from careful feature selection and hyperparameter tuning, and we note that the differences between the strongest models are often small.
• Abstract（参考訳）: 公開されている電力市場データは、研究を予測するための貴重な資源を提供するが、標準化された比較のための確立されたベンチマークデータセットは欠落している。 その結果、多くの研究は、独立した設定でメソッドを評価するために異なるデータセットやメトリクスに依存しており、進捗を評価し、最先端のアプローチを一貫して比較することが困難になっている。 本研究では,複数の市場環境における電力価格予測(EPF)のためのディープラーニングモデルの評価に公開データを用いる。 我々の目標は、予測モデルの一貫した評価を可能にする再現可能なフレームワークを確立することである。 深層学習は日頭EPFのために研究されているが、多くの先行研究は単一市場設定、狭い特徴セット、固定的な訓練体制に限られている。 本研究では,6つのディープラーニングモデル – 状態空間,MLP,RNN,トランスフォーマーに基づくアーキテクチャ – の比較評価を行い,市場全体の一般化を強調した。 ゼロショット,ワンショット,少数ショット学習を用いて,低データのターゲット市場条件をシミュレートする。 我々のテストセットは2024年のドイツ・ルクセンブルク(DE-LU)入札ゾーンに焦点を当てており、カレンダー、歴史的価格、市場起源の機能を備えた標準化データセットを使用している。 以上の結果から,N-HiTS と NBEATSx は限られたデータシナリオにおいて競合的に機能することが示唆された。 モデルパフォーマンスはまた、注意深い特徴選択とハイパーパラメータチューニングの恩恵を受けます。

関連論文リスト

• A Critical Audit of Spatiotemporal Forecasting Benchmark Datasets and Baselines [19.152026148047536]
  従来の時系列手法でベンチマークデータセットを分析して,空間的に認識できない線形モデルが以前報告したよりも強力な競合相手となる理由を明らかにする。 我々の統計分析は、重要な空間的および時間的相関を識別するためのツールセットを提供する。 単純なハイブリッドモデルに解析結果を適用することで、我々の方法論がGNNモデルの開発にどのように貢献するかを示す。
  論文  参考訳（メタデータ） (2026-08-21T11:08:17Z)
• Retrieval-Enhanced Real Estate Appraisal [0.8990485928963198]
  販売比較アプローチ(SCA)は、不動産評価において最も人気がある1つである。 我々は,多くの最先端アルゴリズムで使用される比較式の選択が,選択ポリシーを学習することで大幅に改善できることを実証した。 評価はすべて、米国、ブラジル、フランスにまたがる5つのデータセットに基づいて行われています。
  論文  参考訳（メタデータ） (2026-03-13T13:36:55Z)
• Scenario-Wise Rec: A Multi-Scenario Recommendation Benchmark [65.13288661320364]
  6つの公開データセットと12のベンチマークモデルと、トレーニングと評価パイプラインで構成されるベンチマークである textbfScenario-Wise Rec を紹介します。 このベンチマークは、研究者に先行研究から貴重な洞察を提供することを目的としており、新しいモデルの開発を可能にしている。
  論文  参考訳（メタデータ） (2024-12-23T08:15:34Z)
• Ranked from Within: Ranking Large Multimodal Models Without Labels [73.96543593298426]
  ソフトマックス分布から導かれる不確実性スコアは,様々なタスクにまたがるランキングモデルに対して,ロバストな基礎となることを示す。 これにより、ラベルのないデータに対するLMMのランク付けが容易になり、手動のアノテーションを必要とせずに、多様なターゲットドメインのモデルを選択するための実践的なアプローチを提供する。
  論文  参考訳（メタデータ） (2024-12-09T13:05:43Z)
• Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
  コンテキスト is Key" (CiK) は、数値データを多種多様なテキストコンテキストと組み合わせた予測ベンチマークである。 我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。 提案手法は,提案するベンチマークにおいて,他の試験手法よりも優れる簡易かつ効果的なLCMプロンプト法である。
  論文  参考訳（メタデータ） (2024-10-24T17:56:08Z)
• GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
  時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。 GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。 GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
  論文  参考訳（メタデータ） (2024-10-14T11:29:38Z)
• 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)
• Electricity Price Forecasting in the Irish Balancing Market [0.0]
  この研究は、広く研究されている日頭市場で成功した様々な価格予測手法をアイルランドのバランス市場に適用する。 異なるトレーニングサイズの影響を調査するフレームワークを用いて,統計モデル,機械学習モデル,ディープラーニングモデルを比較した。 大規模な数値的な研究により、日頭市場における良いパフォーマンスのモデルはバランスの取れないモデルではうまく機能しないことが示された。
  論文  参考訳（メタデータ） (2024-02-09T15:18:00Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• A transformer-based model for default prediction in mid-cap corporate markets [13.535770763481905]
  時価総額が100億ドル未満の中堅企業について調査する。 中間項の既定確率項構造を予測することを目的とする。 私たちは、どのデータソースがデフォルトのリスクに最も貢献しているかを理解しています。
  論文  参考訳（メタデータ） (2021-11-18T19:01:00Z)
• Comparing Test Sets with Item Response Theory [53.755064720563]
  我々は,18の事前学習トランスフォーマーモデルから予測した29のデータセットを個別のテスト例で評価した。 Quoref、HellaSwag、MC-TACOは最先端のモデルを区別するのに最適である。 また、QAMRやSQuAD2.0のようなQAデータセットに使用されるスパン選択タスク形式は、強いモデルと弱いモデルとの差別化に有効である。
  論文  参考訳（メタデータ） (2021-06-01T22:33:53Z)
• Forecasting day-ahead electricity prices: A review of state-of-the-art algorithms, best practices and an open-access benchmark [14.377733907729072]
  電力価格予測の分野は、過去20年間に多くの貢献から恩恵を受けている。 後者はしばしば、公開されていないユニークなデータセットを使用して比較される。 電力価格の予測において、どの方法がうまく機能するか、何がベストプラクティスであるかは明らかになっていない。
  論文  参考訳（メタデータ） (2020-08-18T16:19:20Z)

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。