論文の概要: Assessing Covariate-Informed Grid Load Forecasting with a Time-Series Foundation Model

• arxiv url: http://arxiv.org/abs/2609.06656v1
• Date: Sun, 06 Sep 2026 15:09:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.291051
• Title: Assessing Covariate-Informed Grid Load Forecasting with a Time-Series Foundation Model
• Title（参考訳）: 時系列基礎モデルによる共変量形グリッド負荷予測の評価
• Abstract要約: クロノス-2 (Chronos-2) は、Amazonが開発した多チャンネル時系列基盤モデル(TSFM)である。 我々はChronos-2を、ISO New EnglandとENTSO-Eの2つの実世界のユーティリティデータセット上で評価し、広く使われているタスク固有ディープラーニングモデルと比較した。 以上の結果から,Chronos-2はタスク固有の微調整の利点を大いに生かし,短時間の予測性能が向上することが示唆された。
• 参考スコア（独自算出の注目度）: 1.7674345486888503
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Modern power systems are growing increasingly complex as they integrate diverse generation sources to meet rising demand, making accurate load forecasting challenging. Recent advances in time-series foundation models (TSFMs) resulted in promising performance in zero-shot univariate load forecasting tasks. However, real-world load forecasting often involves multiple target variables and requires the integration of exogenous variables, raising important questions about the utility of TSFMs in realistic settings. In this study, we position Chronos-2, a recently developed model by Amazon, as a representative multi-channel TSFM that supports univariate, multivariate, and covariate-informed forecasting, and conduct a systematic investigation of how such models can be used for real-world load forecasting. While prior work has evaluated Chronos-2 on a limited number of energy-related tasks in a zero-shot setting, its performance relative to established task-specific deep learning models and its behavior when adapted using task-specific historical data remains insufficiently understood. In this work, we evaluate Chronos-2 on two real-world utility datasets, ISO New England and ENTSO-E, and benchmark it against widely used task-specific deep learning models. Our results show that Chronos-2 benefits substantially from task-specific fine-tuning and achieves strong short-horizon forecasting performance, but its zero-shot accuracy lags behind task-specific models and its forecasting error grows more rapidly with increasing forecast steps. Overall, this study provides a detailed characterization of the strengths and limitations of TSFMs such as Chronos-2 in grid load forecasting and offers practical insights into how a pretrained TSFM can be effectively adapted for operational load forecasting applications.
• Abstract（参考訳）: 現代の電力システムは、需要の増加に対応するために多様な世代源を統合し、正確な負荷予測を困難にするため、ますます複雑化している。 時系列基礎モデル(TSFM)の最近の進歩は、ゼロショット単変量負荷予測タスクにおいて有望な性能をもたらした。 しかし、実世界の負荷予測は、しばしば複数のターゲット変数を伴い、外因性変数の統合を必要とし、現実的な環境でのTSFMの有用性に関する重要な疑問を提起する。 本研究では,Amazonが最近開発したChronos-2を,一変量,多変量および共変量インフォームド予測をサポートする代表的マルチチャネルTSFMとして位置づけ,実世界の負荷予測にそのようなモデルをどのように使用できるのかを体系的に検討する。 従来、ゼロショット環境では限られた数のエネルギー関連タスクについてChronos-2を評価してきたが、タスク固有の深層学習モデルに対する性能とタスク固有の履歴データを用いた適用時の動作は、まだ十分に理解されていない。 本研究では,Chronos-2をISO New EnglandとENTSO-Eの2つの実世界のユーティリティデータセット上で評価し,広く使われているタスク固有ディープラーニングモデルと比較した。 以上の結果から,Chronos-2はタスク固有の微調整の恩恵が大きく,短時間の予測性能も高いが,タスク固有モデルに遅れたゼロショット精度が向上し,予測誤差が増大する傾向が示唆された。 本研究は、グリッド負荷予測におけるChronos-2などのTSFMの強度と限界を詳細に評価し、事前学習したTSFMを運用負荷予測に効果的に適用する方法に関する実用的な知見を提供する。

関連論文リスト

• MetaCaster: Meta-Harness-Optimized Agent for End-to-End Few-Shot Learning of Lightweight Time Series Forecasters [86.78565015172455]
  時系列予測(TSF)は、マルチモーダルおよびエージェント設定に向けて進化している。 メタハーネスを最適化したマルチエージェントフレームワークであるMetaCasterを提案する。 我々の研究は、エージェントが予測者としてではなく、仲介エンジニアとして振る舞う新しいTSFパラダイムを強調している。
  論文  参考訳（メタデータ） (2026-08-24T16:40:25Z)
• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks [87.7937890373758]
  時系列基礎モデル(TSFM)は,特定のデータセットモデルから一般化可能なタスク評価に至るまで,予測環境に革命をもたらしている。 我々は、50の新しいデータセットと98の予測タスクからなる次世代タスク中心のベンチマークであるTIMEを紹介する。 静的なメタラベルに基づく従来のデータセットレベルの評価を超える新しいパターンレベルの評価視点を提案する。
  論文  参考訳（メタデータ） (2026-02-12T16:31:01Z)
• SEMPO: Lightweight Foundation Models for Time Series Forecasting [45.456949943052116]
  SEMPOは比較的小規模なデータに対する事前トレーニングを必要とする軽量な基礎モデルであるが、強い時系列予測を示す。 SEMPOは、1)エネルギーを意識したSpEctral分解モジュールと、事前学習データの利用を大幅に改善する2つの重要なモジュールから構成される。 16のデータセットをカバーする2つの大規模ベンチマークの実験は、ゼロショットと少数ショットの予測シナリオの両方でSEMPOの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-10-22T15:58:44Z)
• Chronos-2: From Univariate to Universal Forecasting [52.753731922908905]
  Chronos-2は、一変量、多変量、共変量による予測タスクをゼロショットで処理できる事前訓練されたモデルである。 fev-bench、GIFT-Eval、Chronos Benchmark IIの3つの総合ベンチマークで最先端のパフォーマンスを提供する。 Chronos-2のコンテキスト内学習能力は、現実世界の予測パイプラインで"as is"として使用できる汎用予測モデルとして確立されている。
  論文  参考訳（メタデータ） (2025-10-17T17:00:53Z)
• 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)
• Can Time-Series Foundation Models Perform Building Energy Management Tasks? [5.450531952940644]
  エネルギー管理タスクを構築するには、さまざまな時系列データからの処理と学習が必要である。 既存のソリューションは、これらのタスクを実行するために、bespokeタスクとデータ固有のモデルに依存しています。 LLM(Large Language Models)の変革的な成功に触発されて、TSFM(Time-Series Foundation Models)は、これを変える可能性を秘めている。
  論文  参考訳（メタデータ） (2025-06-12T19:45:10Z)
• IISE PG&E Energy Analytics Challenge 2025: Hourly-Binned Regression Models Beat Transformers in Load Forecasting [0.0]
  本研究では,古典的回帰手法から高度なディープラーニングアーキテクチャに至るまで,予測モデルを評価する。 このデータセットには、過去2年間の電力負荷データと、5つの場所にわたる温度およびグローバル水平照射(GHI)が含まれている。 その結果、TimeGPTを含むディープラーニングモデルは、より単純な統計的および機械学習アプローチを一貫して上回りません。
  論文  参考訳（メタデータ） (2025-05-16T15:55:34Z)
• Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
  本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。 事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。 多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
  論文  参考訳（メタデータ） (2024-02-04T06:55:55Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)

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。