論文の概要: A causal graph-informed temporal convolution architecture for interpretable retail electricity price forecasting

• arxiv url: http://arxiv.org/abs/2608.26234v1
• Date: Wed, 26 Aug 2026 17:41:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.132697
• Title: A causal graph-informed temporal convolution architecture for interpretable retail electricity price forecasting
• Title（参考訳）: 解釈可能な小売価格予測のための因果グラフインフォームド時間畳み込みアーキテクチャ
• Abstract要約: Causal Graph-Informed Temporal Convolutional Network (CG-TCN)は、学習した因果グラフを時間的畳み込みネットワークに統合する予測アーキテクチャである。 CG-TCNは、平均絶対誤差が3.08%、3.82%、および5.43%で、それぞれ1、10、15ステップ前の1日あたりの電力中央値の予測を上回っている。
• 参考スコア（独自算出の注目度）: 1.7587442088965224
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Retail electricity markets in deregulated systems face significant price volatility and complex interactions with forward and futures products, posing challenges for effective operational decision-making. This study introduces a Causal Graph-Informed Temporal Convolutional Network (CG-TCN), a forecasting architecture that integrates a learned causal graph into a temporal convolutional network via a graph-neural embedding to enhance both forecasting accuracy and interpretability of retail electricity price dynamics. It first applies a multi-resolution decomposition to isolate semiannual, quarterly, and monthly trends from high-frequency fluctuations. A causal graph is then discovered over these components and key covariates, including wholesale forward prices and retail contract attributes such as early termination fees, with domain constraints that preserve causal directionality and exogeneity. The learned causal structure is encoded as an adjacency embedding that conditions the TCN's convolutions and attention, aligning representation learning with causal pathways. Using ten years of daily 12-month fixed-price residential contracts from Ohio's deregulated market, we find that wholesale forward prices primarily determine long-term retail price trends, whereas contract attributes influence short-term fluctuations. CG-TCN consistently outperforms benchmark models, achieving mean absolute percentage errors of 3.08%, 3.82%, and 5.43% for one-, ten-, and fifteen-step-ahead forecasts of daily retail electricity median prices, respectively. By combining predictive performance with interpretability, CG-TCN provides transparent, policy-relevant insight to support market analytics, consumer protection, regulatory oversight, risk assessment and procurement planning in competitive electricity markets.
• Abstract（参考訳）: 規制の解除されたシステムの電力市場は、価格のボラティリティと、将来の製品との複雑な相互作用に直面し、効果的な運用上の意思決定の課題を提起している。 本研究では,学習した因果グラフをグラフ・ニューラル埋め込みを通じて時間的畳み込みネットワークに統合し,小売価格動態の予測精度と解釈可能性の両方を高める予測アーキテクチャである因果グラフインフォームド・テンポラル・コンボリューショナル・ネットワーク(CG-TCN)を紹介する。 まず、半年、四半期、月次トレンドを高周波変動から分離するために多分解能分解を適用する。 因果グラフは、これらの構成要素と重要な共変量体上で発見され、例えば、売り先価格や早期終了手数料などの小売契約属性、因果方向と異質性を維持するためのドメイン制約を含む。 学習された因果構造は、TCNの畳み込みと注意を条件付け、表現学習と因果経路を整合させる隣接埋め込みとして符号化される。 オハイオ州の規制緩和市場からの1日12ヶ月の固定価格住宅契約の10年間を振り返ると、長期小売価格の傾向は、契約属性が短期的な変動に影響しているのに対して、売り先価格が主に決定することがわかった。 CG-TCNは、平均絶対誤差3.08%、3.82%、および5.43%をそれぞれ1段階、10段階、および15段階の1日あたりの電力中央値の予測で達成し、ベンチマークモデルを上回っている。 CG-TCNは、予測性能と解釈可能性を組み合わせることで、市場分析、消費者保護、規制監督、リスクアセスメント、競争力のある電気市場における調達計画をサポートするために、透明性と政策関連の洞察を提供する。

関連論文リスト

• Federated Ensemble Forecasting Under Supply-Chain Market Volatility [0.0]
  サプライチェーン予測システムは、市場ショック、特定されていない地域需要、商業データの集中化への限定的な意志の下で、ますます運用されている。 本研究は,クライアントノード間の予測専門家を訓練し,冗長なモデルエラーを回避する分散手法であるFederated Ensemble Forecasting with Negative-Correlation Learning (FEF NCL)を提案する。 このフレームワークは、時間的特徴エンコーダ、クライアントレベルのドリフトスコアリング、信頼性の高い集約、および各予測に最も責任のある市場およびサプライヤー変数を公開する説明能力レイヤを組み合わせる。
  論文  参考訳（メタデータ） (2026-08-05T20:15:41Z)
• A Market-Rule-Informed Neural Network for Efficient Imbalance Electricity Price Forecasting [8.650321205201289]
  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。
  論文  参考訳（メタデータ） (2026-05-09T17:07:53Z)
• Stock Market Prediction Using Node Transformer Architecture Integrated with BERT Sentiment Analysis [1.2362187555287152]
  本稿では,ノードトランスアーキテクチャとBERTに基づく感情分析を組み合わせた株価予測フレームワークを提案する。 提案モデルは,個々の株式がノードを形成し,エッジが関係をキャプチャするグラフ構造として,株式市場を表現している。 1982年1月から2025年3月までの20株のS&P500株に対する実験では、統合モデルが平均絶対パーセンテージ誤差(MAPE)を1日の予測で0.80%達成していることが示されている。
  論文  参考訳（メタデータ） (2026-03-06T05:15:22Z)
• TAT: Temporal-Aligned Transformer for Multi-Horizon Peak Demand Forecasting [51.37167759339485]
  本稿では,アプリロリで知られたコンテキスト変数を利用して予測性能を向上させるマルチホライゾン予測器であるTemporal-Aligned Transformer (TAT)を提案する。 我々のモデルはエンコーダとデコーダで構成されており、どちらもピーク需要予測のためのコンテキスト依存アライメントを学習するための新しい時間アライメントアテンション(TAA)を組み込んでいる。 以上の結果から,TATはピーク需要予測において30%の精度を実現し,他の最先端手法と比較して総合的な性能を維持した。
  論文  参考訳（メタデータ） (2025-07-14T14:51:24Z)
• 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)
• 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)
• 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)
• Joint Latent Topic Discovery and Expectation Modeling for Financial Markets [45.758436505779386]
  金融市場分析のための画期的な枠組みを提示する。 このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。 私たちのモデルは年率10%を超えるリターンを継続的に達成します。
  論文  参考訳（メタデータ） (2023-06-01T01:36:51Z)
• 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)
• 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)
• Temporal-Relational Hypergraph Tri-Attention Networks for Stock Trend Prediction [45.74513775015998]
  本稿では、エンドツーエンドの株価トレンド予測のための協調的時間関係モデリングフレームワークを提案する。 新しいハイパーグラフトリアテンションネットワーク(HGTAN)が提案され,ハイパーグラフ畳み込みネットワークが拡張された。 このようにして、HGTANは、在庫間の情報伝達におけるノード、ハイパーエッジ、ハイパーグラフの重要性を適応的に決定する。
  論文  参考訳（メタデータ） (2021-07-22T02:16:09Z)

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。