論文の概要: Benchmarking Time Series Foundation Models for Load Forecasting Under Covariate Uncertainty

• arxiv url: http://arxiv.org/abs/2610.07232v1
• Date: Mon, 05 Oct 2026 18:37:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.600946
• Title: Benchmarking Time Series Foundation Models for Load Forecasting Under Covariate Uncertainty
• Title（参考訳）: 共変量不確かさ下での負荷予測のためのベンチマーク時系列基礎モデル
• Abstract要約: 実世界の3つの負荷予測データセットに対して,トレーニング済みのTFS(TFS)モデルと4つのTSFMのベンチマークを示す。 以上の結果から,Chronos-2はゼロショットと微調整の両方で常に最先端の性能を実現していることがわかった。
• 参考スコア（独自算出の注目度）: 2.614894682819833
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate short-term load forecasting (STLF) is essential for the reliable and efficient operation of modern power systems. While time series foundation models (TSFMs) have recently demonstrated remarkable performance across a wide range of forecasting tasks, their effectiveness for STLF under realistic operational conditions remains largely unexplored. In this paper, we present a comprehensive benchmark of four trained-from-scratch (TFS) models and four TSFMs across three real-world load forecasting datasets under operational scenarios that differ in the availability and quality of future covariate information. Our results show that Chronos-2 consistently achieves state-of-the-art performance in both zero-shot and fine-tuned settings when future covariates are available or accurately forecast. However, its performance degrades as covariate forecasts become increasingly noisy, whereas TimesNet exhibits greater robustness under severe covariate uncertainty. These findings demonstrate the effectiveness of covariate-informed TSFMs for STLF while highlighting the critical role of robust covariate modeling in real-world forecasting applications.
• Abstract（参考訳）: 最新の電力系統の信頼性と効率的な運用には,正確な短期負荷予測(STLF)が不可欠である。 時系列基礎モデル(TSFM)は、最近、様々な予測タスクにおいて顕著な性能を示したが、現実的な運用条件下でのSTLFの有効性は明らかにされていない。 本稿では,3つの実世界の負荷予測データセットにまたがる 4 つのトレーニング済み Scratch (TFS) モデルと 4 つの TSFM モデルの総合的なベンチマークについて述べる。 以上の結果から,Chronos-2は,将来的な共変量が存在する場合や精度の高い予測を行う場合,ゼロショットと微調整の両方で常に最先端の性能を達成できることが示唆された。 しかし、共変量予測が騒々しさを増すにつれて性能が低下する一方、TimesNetは重度の共変量不確実性の下でより堅牢性を示す。 これらの結果から,STLFにおける共変量インフォームドTSFMの有効性を示すとともに,実世界の予測アプリケーションにおけるロバスト共変量モデリングの重要性を強調した。

関連論文リスト

• Assessing Covariate-Informed Grid Load Forecasting with a Time-Series Foundation Model [1.7674345486888503]
  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。
  論文  参考訳（メタデータ） (2026-09-06T15:09:12Z)
• LEAF: A Living Benchmark for Event-Augmented Forecasting [78.94019460534442]
  LEAFは、イベント拡張予測タスクの最初の生きたベンチマークである。 我々は最先端のプロプライエタリかつオープンウェイトなLLMを評価した。 LLMは、より予測し易いと自信を持って判断し、より優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-05-09T03:17:59Z)
• 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)
• From Observations to States: Latent Time Series Forecasting [65.98504021691666]
  本稿では,TSFを観測回帰から潜時予測に移行する新しいパラダイムであるLatent Time Series Forecasting(LatentTSF)を提案する。 具体的には、LatentTSFはAutoEncoderを使用して、各段階での観測結果を高次元の潜在状態空間に投影する。 提案する潜伏目標は,予測潜伏状態と地道状態と観測値との相互情報を暗黙的に最大化する。
  論文  参考訳（メタデータ） (2026-01-30T20:39:44Z)
• The Forecast Critic: Leveraging Large Language Models for Poor Forecast Identification [74.64864354503204]
  本稿では,Large Language Models (LLM) を利用した予測自動監視システムであるThe Forecast Criticを提案する。 LLMの時系列予測品質を評価する能力を評価する。 合成および実世界の予測データを含む3つの実験を行った。
  論文  参考訳（メタデータ） (2025-12-12T21:59:53Z)
• KAN vs LSTM Performance in Time Series Forecasting [0.0]
  本稿では,KAN(Kolmogorov-Arnold Networks)とLSTM(Long Short-Term Memory Network)を比較し,非決定論的株価データを予測する。 LSTMは、全ての試験された予測地平線に対してかなりの優位性を示す。 LSTMの実践的な財務予測への採用を支援するとともに、特化KANアーキテクチャの継続的な研究が今後の改善をもたらす可能性があることを示唆している。
  論文  参考訳（メタデータ） (2025-11-23T21:09:58Z)
• 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)
• Generalisation Bounds of Zero-Shot Economic Forecasting using Time Series Foundation Models [1.131401554081614]
  本研究では,時系列基礎モデルのマクロ経済指標に対するゼロショット予測能力について検討した。 データスカース条件と構造破壊の下で、最先端の3つのTSFMをバックテストしました。 この結果から, TSFMは微調整がなければ, 安定した経済環境下での古典的モデルに適合し, 超過することができることが示唆された。
  論文  参考訳（メタデータ） (2025-05-30T03:10:46Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。