論文の概要: Foundation models for electricity price forecasting and battery arbitrage: Can they replace market-specific forecasting models?

• arxiv url: http://arxiv.org/abs/2609.00089v1
• Date: Mon, 31 Aug 2026 12:43:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:35.862474
• Title: Foundation models for electricity price forecasting and battery arbitrage: Can they replace market-specific forecasting models?
• Title（参考訳）: 電力価格予測とバッテリー仲裁の基礎モデル:市場固有の予測モデルを置き換えることは可能か?
• Abstract要約: ファンデーションモデルは、タスク固有のトレーニングがほとんどあるいは全くない正確な予測を約束するが、電気価格予測に特化したモデルを置き換えることができるかどうかは不明だ。 ゼロショットモードで評価された5つのファウンデーションモデルファミリーの9つの変種と、2021年から2025年にかけてドイツ、ポーランド、スペインの2つの最先端の電力価格予測ベンチマークを比較した。 TabPFNモデルのみが3つの市場すべてでベンチマークを上回っている。
• 参考スコア（独自算出の注目度）: 1.9336815376402718
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models promise accurate forecasts with little or no task-specific training, but whether they can replace models designed specifically for electricity price forecasting remains unclear. We compare nine variants from five foundation model families, evaluated in zero-shot mode, with two state-of-the-art electricity price forecasting benchmarks in Germany, Poland, and Spain over 2021-2025. Their performance is assessed in terms of point and probabilistic forecasting accuracy, as well as economic value in battery energy storage arbitrage. Only the TabPFN models consistently and significantly outperform the benchmarks across all three markets and all statistical measures. However, this statistical dominance does not translate directly into economic dominance: TabPFN performs best under unlimited bids and riskier quantile-based strategies, whereas the Distributional Deep Neural Network benchmark is more profitable when risk tolerance is lower. Thus, foundation models cannot universally replace market-specific models, and their value depends on both model architecture and the decision problem.
• Abstract（参考訳）: ファンデーションモデルは、タスク固有のトレーニングがほとんどあるいは全くない正確な予測を約束するが、電気価格予測に特化したモデルを置き換えることができるかどうかは不明だ。 ゼロショットモードで評価された5つのファウンデーションモデルファミリーの9つの変種と、2021年から2025年にかけてドイツ、ポーランド、スペインの2つの最先端の電力価格予測ベンチマークを比較した。 それらの性能は、点数と確率予測精度、および電池の蓄電池における経済的価値の観点から評価される。 TabPFNモデルのみが3つの市場と全ての統計指標でベンチマークを上回っている。 TabPFNは無制限の入札とよりリスクの高い量子化ベースの戦略で最善を尽くしますが、Distributedal Deep Neural Networkベンチマークはリスク耐性が低い場合にはより利益を上げます。 したがって、ファンデーションモデルは市場固有のモデルを普遍的に置き換えることはできないし、その価値はモデルアーキテクチャと決定問題の両方に依存する。

関連論文リスト

• Auditing and Fixing Economic Validity in Tabular Foundation Models for Discrete Choice [12.709654635425442]
  タブラル基礎モデルは選択予測タスクにおいて高い精度を達成する。 しかし、彼らの予測は、それらのタスクが必要とする経済論理に反することが多い。 実用最大化フレームワークに基礎モデル予測を組み込む2段階のアダプタを提案する。
  論文  参考訳（メタデータ） (2026-05-26T05:13:20Z)
• 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)
• $V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
  一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。 本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。 V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2026-03-11T14:57:41Z)
• Regression Models Meet Foundation Models: A Hybrid-AI Approach to Practical Electricity Price Forecasting [39.91788164419845]
  回帰に基づく予測を強化する新しいパラダイムであるFutureBoostingを提案する。 私たちはこのパラダイムを、電力価格予測のための軽量でプラグアンドプレイのフレームワークにインスタンス化します。 我々のフレームワークは、最先端のTSFMとレグレッションベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-03-06T02:06:46Z)
• 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)
• Bayesian Neural Networks with Monte Carlo Dropout for Probabilistic Electricity Price Forecasting [0.0]
  本研究は,モンテカルロ(MC)ドロップアウトを用いたベイズニューラルネットワーク(BNN)を用いた確率的電力価格予測の枠組みを提案する。 一般化自己回帰的条件付きヘテロスケダスティック性(GARCHX)とLASSO推定自己回帰モデル(LEAR)のベンチマークモデルに対する批判的評価と比較
  論文  参考訳（メタデータ） (2025-11-12T13:33:28Z)
• Analyzing Uncertainty Quantification in Statistical and Deep Learning Models for Probabilistic Electricity Price Forecasting [0.0]
  本研究では,最先端統計・深層学習確率予測モデルにおける不確実性の定量化について検討する。 我々は、ディープ分散ニューラルネットワーク(DDNN)を考察し、それらをアンサンブルアプローチ、モンテカルロ(MC)ドロップアウト、共形予測で強化する。 様々な性能指標から、LEARベースのモデルは確率的予測において良好に機能することがわかった。
  論文  参考訳（メタデータ） (2025-09-23T15:20:03Z)
• 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)
• 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)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)

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。