論文の概要: Systematic Evaluation of TabPFN-TS for Zero-Shot Probabilistic Heat Load Forecasting in District Heating Networks

• arxiv url: http://arxiv.org/abs/2608.20024v1
• Date: Thu, 20 Aug 2026 13:33:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.573861
• Title: Systematic Evaluation of TabPFN-TS for Zero-Shot Probabilistic Heat Load Forecasting in District Heating Networks
• Title（参考訳）: 地域熱ネットワークにおけるゼロショット確率的熱負荷予測のためのTabPFN-TSの系統評価
• Authors: Ben Spoek, Karim K. Ben Hicham, Kai Derzsi, Philipp Althaus, Alexander Mitsos, Dirk Müller,
• Abstract要約: 地域エネルギーハブは、効率的な運用スケジュールのための信頼性の高い熱負荷予測を必要とする。 時系列の基礎モデルとコンテキスト内予測は、有望な代替手段を提供する。 本研究では,TabPFN-TSを時系列基礎モデルと訓練された機械学習ベースラインに対して体系的に評価する。
• 参考スコア（独自算出の注目度）: 35.66975292316149
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: District heating energy hubs require reliable heat load forecasts for efficient operational scheduling. Conventional forecasting workflows train system-specific models on historical data, which can become burdensome when networks change through new consumers, retrofits, or changing operating regimes. Zero-shot time-series foundation models and in-context forecasting offer a promising alternative: they can adapt at inference time from recent observations rather than by repeated retraining. This study systematically evaluates TabPFN-TS against time-series foundation models and trained machine-learning baselines for probabilistic heat load forecasting in district heating networks. Unlike foundation models pretrained on large collections of real time series, TabPFN-TS relies on synthetic pretraining data, which avoids direct pretraining-test overlap but raises the question of whether the learned prior captures district heating dynamics. We analyze covariate choice, context length, temporal resolution, and prediction horizon on representative operating weeks, validate the selected configuration over a full year, and test transferability on a second network. The results identify hourly 24-hour forecasting with a 12-week rolling context and ambient temperature as a parsimonious high-performing configuration; longer context windows do not improve accuracy. TabPFN-TS remains close to Chronos-2 in deterministic accuracy, reaching CVRMSE values of 13.06% versus 12.48% on the main dataset, and lies within the critical-difference threshold in the daily-rank comparison. Although Chronos-2 achieves the lowest aggregate full-year error, TabPFN-TS shows better empirical calibration. Finally, the diagnostic findings motivate a Multi-Resolution Residual-Correction Forecaster that combines a low-frequency Base Forecaster with a short-horizon Residual Forecaster to improve longer-horizon planning accuracy.
• Abstract（参考訳）: 地域熱エネルギーハブは、効率的な運用スケジュールのための信頼性の高い熱負荷予測を必要とする。 従来の予測ワークフローは、履歴データに基づいてシステム固有のモデルをトレーニングする。 ゼロショットの時系列基礎モデルとコンテキスト内予測は有望な代替手段を提供する。 本研究では,地域熱ネットワークにおける確率的熱負荷予測のための時系列基礎モデルと訓練された機械学習ベースラインに対して,TabPFN-TSを系統的に評価する。 リアルタイムシリーズの大規模なコレクションで事前学習された基礎モデルとは異なり、TabPFN-TSは合成事前学習データに依存しており、直接事前学習テストのオーバーラップを回避するが、学習された事前学習が地域熱力学を捕捉するかどうかという疑問を提起する。 我々は,2次ネットワーク上での共変量選択,文脈長,時間分解能,予測地平線を代表動作週で分析し,選択した構成を1年間にわたって検証し,テスト転送性を検討した。 その結果、12週間の転がりコンテキストと周囲温度を同程度の高パフォーマンス構成として24時間毎の予測が可能となり、より長いコンテキストウィンドウでは精度が向上しないことがわかった。 TabPFN-TSはChronos-2に近く、CVRMSE値が13.06%、メインデータセットが12.48%に達している。 Chronos-2は全年誤差が最も低いが、TabPFN-TSはより優れた経験的キャリブレーションを示す。 最後に,低周波ベースフォアキャスターと短水平残差フォアキャスターを併用し,長期計画精度を向上させるマルチリゾリューション残差フォアキャスタを試作した。

関連論文リスト

• Improving the sharpness in neural network-based parametric post-processing of ensemble forecasts [0.0]
  提案手法が欧州中距離気象予報センターの2m温度アンサンブル予測に与える影響を示す。 ケーススタディでは、名目中央予測間隔の幅において、相当な相対的な減少(8.2%-12.5%ドル)が確認されている。 確率予測の平均CRPSや予測平均のRMSEには劣化はない。
  論文  参考訳（メタデータ） (2026-06-07T11:57:09Z)
• Benchmarking Transformer and xLSTM for Time-Series Forecasting of Heat Consumption [0.0]
  本稿では,短期的な熱需要予測のためのTransformerベースのアーキテクチャとxLSTMアーキテクチャをベンチマークする。 我々は、プールド・ヘテロジニアス・ビルディング・データに基づいてトレーニングされたモデルが多様なビルディング・ストックをまたいで一般化できるかどうかをテストするベンチマークを確立する。 その結果、xLSTMは最低RMSE(3時間で19.88kWh、24時間で21.47kWh)を達成し、Temporal Fusion Transformerは最高MAE(9時間で9.16kWh)を達成した。
  論文  参考訳（メタデータ） (2026-05-10T19:40:03Z)
• Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
  我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。 ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
  論文  参考訳（メタデータ） (2026-05-07T20:25:28Z)
• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• 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)
• Empirical Comparison of Lightweight Forecasting Models for Seasonal and Non-Seasonal Time Series [1.9799527196428246]
  本研究では,ポリノミアルと放射基底ネットワーク(RBFNN)の実証比較を行った。 モデル性能は,平均絶対誤差,ルート平均正方形誤差,ルート平均正方形誤差の係数関数を用いて予測精度と計算時間を用いて評価する。 その結果, RBFNNは季節パターンの精度が向上するのに対し, 非季節系列ではPCの方が精度が高く, 予測速度も速いことが示唆された。
  論文  参考訳（メタデータ） (2025-05-02T10:12:23Z)
• Battling the Non-stationarity in Time Series Forecasting via Test-time Adaptation [39.7344214193566]
  時系列予測(TSF)に適した先駆的なテスト時間適応フレームワークを提案する。 TSF-TTAに対する提案手法であるTAFASは、事前学習中に学習したコアセマンティック情報を保存しながら、ソース予測器をフレキシブルに適応してテスト分布を継続的にシフトさせる。 部分的に観測された真実とゲートキャリブレーションモジュールの新たな利用により、ソース予測器のプロアクティブ、ロバスト、モデルに依存しない適応が可能となった。
  論文  参考訳（メタデータ） (2025-01-09T04:59:15Z)
• Learning When to See for Long-term Traffic Data Collection on Power-constrained Devices [7.712009864814493]
  本稿では,バッテリ駆動デバイスの観測タイミングを戦略的に決定する,新しい学習ベースのフレームワークを提案する。 スパースサンプリングされた観測結果から全データストリームを再構築し,性能損失を最小限に抑える。 RNN予測器と推定器とDRQN(Deep Recurrent Q-Network)コントローラによるPeMSデータに対する提案手法の性能評価を行った。
  論文  参考訳（メタデータ） (2024-01-25T20:50:34Z)
• 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)

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。