論文の概要: Machine Learning and Time-Series Foundation Models for Day-Ahead Electricity Forecasting in a University Building

• arxiv url: http://arxiv.org/abs/2610.12638v1
• Date: Thu, 08 Oct 2026 19:00:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.254127
• Title: Machine Learning and Time-Series Foundation Models for Day-Ahead Electricity Forecasting in a University Building
• Title（参考訳）: 大学ビルにおける日頭電力需要予測のための機械学習と時系列基礎モデル
• Abstract要約: 我々は,大学ビルの統計,機械学習,繰り返しニューラルネットワーク,事前学習されたTimesFMモデルをベンチマークした。 TimesFMは、平均絶対誤差を週ごとの季節変動予測と比較して約43%減らし、全体的な誤差が最低となる。 XGBoostは依然として競争力を維持しているが、ペアの日次比較はTimesFMにとって絶対的な平均エラーの優位性を確立していない。
• 参考スコア（独自算出の注目度）: 3.4998703934432682
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Day-ahead electricity forecasts can help building operators schedule heating, ventilation, and other services around anticipated demand. Choosing a forecasting model also requires balancing accuracy with its forecast-time inputs, local training, and computational requirements. We benchmark statistical, machine-learning, recurrent neural-network, and pretrained TimesFM models for a university building. We use chronological validation and evaluate all configurations on the same 57 test days, comparing accuracy across workdays, weekends, and holidays alongside local fitting and forecasting time. Weather covariates use retrospective observations. TimesFM 3.0 with covariates achieves the lowest overall errors, reducing mean absolute error by approximately 43\% relative to weekly seasonal-naive forecasting. XGBoost remains competitive, although paired daily comparisons do not establish a clear mean-absolute-error advantage for TimesFM. TimesFM also performs strongly using only past electricity consumption. Adding covariates improves its holiday forecasts but slightly worsens workday and weekend forecasts, leaving overall mean absolute error almost unchanged. TimesFM requires no building-specific weight training, while XGBoost offers rapid local fitting and inference. The evaluated LSTM takes longer to fit without outperforming either approach. An exploratory historical evaluation reveals seasonal variation, while a separate weather-source comparison produces only small changes in the selected TimesFM configuration's accuracy. These results support pretrained TimesFM as a strong initial forecasting baseline for this building, with XGBoost as a competitive locally fitted alternative. Covariates are particularly useful when improved holiday forecasts justify the additional input preparation.
• Abstract（参考訳）: 日頭電気の予測は、建設業者が予想される需要に応じて暖房、換気、その他のサービスをスケジュールするのに役立ちます。 予測モデルを選択するには、予測時間入力、ローカルトレーニング、計算要求と精度のバランスを取る必要がある。 我々は,大学ビルの統計,機械学習,繰り返しニューラルネットワーク,事前学習されたTimesFMモデルをベンチマークした。 我々は、時間的検証を使用して、同じ57のテスト日におけるすべての構成を評価し、作業日、週末、休暇の正確さと、局所的な適合と予測時間を比較します。 気象共変種は、振り返り観測を使用する。 TimesFM 3.0と共変量を用いた場合、平均絶対誤差は週平均43倍程度減少する。 XGBoostは依然として競争力を維持しているが、ペアの日次比較はTimesFMにとって絶対的な平均エラーの優位性を確立していない。 TimesFMはまた、過去の電力消費のみを使用して、強く機能する。 共変量を加えることでホリデーシーズンの予測は改善するが、仕事日や週末の予測はわずかに悪化し、全体的な平均絶対誤差はほぼ変わらない。 TimesFMは、建物固有の重量訓練を必要とせず、XGBoostは、迅速な局所的なフィッティングと推論を提供する。 評価されたLSTMはどちらのアプローチよりも長く適合する。 調査による歴史的評価では季節差が示され、別の気象源の比較では、選択したTimesFM構成の精度に小さな変化しか生じない。 これらの結果は、XGBoostを競争力のある局所的な代替品として、このビルの強力な初期予測基準として、事前訓練されたTimesFMを支持する。 改良されたホリデー予報が追加の入力準備を正当化するときに特に有用である。

関連論文リスト

• Machine Learning and ARIMA Model Averaging for Adaptive Public Health Forecasting: Comparative Evaluation and an Ontario COVID-19 Case Study [3.571803295833193]
  公衆衛生予報は、過度な騒音、報告成果物、一時的なトレンドを伴わずに、監視データの急激な変化に対応しなければならない。 本研究は,2020年1月から2023年10月までの190件のオンタリオ・COVID-19患者を対象に,自己回帰統合移動平均 (ARIMA) , ランダム森林, 極度勾配上昇促進 (XGBoost) モデルの評価を行った。 また,予測水平および応答性設定によって異なる重みを持つ非負のパフォーマンス重み付けアンサンブルである機械学習とARIMAモデル平均化(MLAMA)を開発した。
  論文  参考訳（メタデータ） (2026-08-07T19:22:11Z)
• Nexus : An Agentic Framework for Time Series Forecasting [72.73790673303154]
  時系列予測は、ニュースやイベントのような構造化されていないコンテキストデータによる推論を必要とする。 予測を特殊なステージに分解するマルチエージェント予測フレームワークであるNexusを紹介します。 本研究では,現在のLLMは,従来よりも強い固有予測能力を有することを示す。
  論文  参考訳（メタデータ） (2026-05-14T05:12:13Z)
• 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)
• Beyond Accuracy: A Stability-Aware Metric for Multi-Horizon Forecasting [0.0]
  本稿では,確率的マルチホライゾン予測の質を評価するための予測精度とコヒーレンススコア(略してACスコア)を紹介する。 その結果,従来の最大推定値よりも大幅に改善した。
  論文  参考訳（メタデータ） (2026-01-15T21:26:57Z)
• 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)
• Site-specific Deterministic Temperature and Humidity Forecasts with Explainable and Reliable Machine Learning [0.0]
  近年の機械学習の発展により、この問題に対する新しいアプローチとしてMLを適用することへの関心が高まっている。 我々は'Multi-SiteBoost'という名前のワーキングMLフレームワークを開発し、初期テストの結果はバイアス補正NWPモデルのグリッド値と比較して大幅に改善された。
  論文  参考訳（メタデータ） (2024-04-04T09:12:13Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Scaling transformer neural networks for skillful and reliable medium-range weather forecasting [23.249955524044392]
  本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。 Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。 ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
  論文  参考訳（メタデータ） (2023-12-06T19:46:06Z)

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。