論文の概要: EnergyBench: a live, gate-aligned benchmark of day-ahead forecasts for European power markets

• arxiv url: http://arxiv.org/abs/2611.07784v1
• Date: Thu, 05 Nov 2026 10:26:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.65689
• Title: EnergyBench: a live, gate-aligned benchmark of day-ahead forecasts for European power markets
• Title（参考訳）: EnergyBench:欧州の電力市場における日々の予測を、ゲートに並べたライブベンチマーク
• Abstract要約: EnergyBenchは、バックテストや固定データセットを使用するのではなく、すべてのエントリをライブで評価する。 毎日11:30 CET/CESTで、すべてのモデルが翌日の価格、風力、太陽光発電、および15分間のグリッドへの負荷を予測する。 既存のライブベンチマークとは異なり、EnergyBenchはモデル自体を、カットオフ時に凍結する1つの情報セットで実行している。
• 参考スコア（独自算出の注目度）: 3.5953210419445214
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Energy forecasting models are usually compared on backtests and fixed public datasets. Backtests can use data that did not yet exist when the forecast would have been made, and a fixed test set, reused across studies and possibly contained in the pretraining data of foundation models, invites overfitting to the benchmark. EnergyBench evaluates every entry live instead. Each day at 11:30 CET/CEST, thirty minutes before the day-ahead (SDAC) gate closes, every model forecasts the next day's price, wind and solar generation and load on the 15-minute grid for six bidding zones (BE, NL, FR, DE-LU, DK1, DK2). Unlike existing live benchmarks, EnergyBench runs the models itself, on one information set that it freezes at the cut-off and publishes, including three numerical weather prediction models, so that foundation models can be compared with and without the same weather covariates under the actual market deadline. Errors are pooled per series against a seasonal-naive baseline, and models are ranked by a Bradley-Terry rating on the Elo scale with a day-bootstrap interval. The field spans baselines, linear and gradient-boosted models on the frozen weather, eighteen time-series foundation models from eleven families, ensembles, and the grid operators' own forecasts. Over the first thirty-two live days, the covariates reduced the error of each of the ten foundation models run with and without them by 37-51% on matched races (64-73% on wind, 48-61% on solar). Used zero-shot, these models match or outperform a LightGBM model trained on the same covariates. Model size, from 3M to 331M parameters, has a much smaller effect, and median ensembles of the covariate models rank highest. The grid operators' pre-gate forecasts remain ahead on wind and solar, where the best single foundation models have 16-22% more error; on load the gap is 4-6%, within the intervals.
• Abstract（参考訳）: エネルギー予測モデルは通常、バックテストと固定された公開データセットで比較される。 バックテストは、予測がなされた時点でまだ存在しなかったデータと、研究全体で再利用され、基礎モデルの事前トレーニングデータに含まれる固定されたテストセットを使用することで、ベンチマークに過度に適合することを推奨する。 EnergyBenchは、代わりにすべてのエントリをライブで評価する。 毎日11:30 CET/CESTで、デイアヘッド(SDAC)ゲートが閉じる30分前に、すべてのモデルが次の日の価格、風力と太陽光発電を予測し、6つの入札ゾーン(BE, NL, FR, DE-LU, DK1, DK2)の15分グリッドに負荷をかける。 既存のライブベンチマークとは異なり、EnergyBenchは、カットオフ時に凍結する1つの情報に基づいてモデル自体を実行し、3つの数値的な天気予報モデルを含む公開する。 シーズン毎の誤差はシーズン毎のナイーブベースラインに比例し、モデルはエロ・スケールのブラッドリー・テリー・格付けで1日ごとのブートストラップ間隔でランク付けされる。 フィールドは、凍結した天候のベースライン、線形および勾配のボスティングモデル、11家族の時系列基盤モデル、アンサンブル、グリッドオペレーター自身の予測にまたがる。 最初の32日間で、共変量器は10モデルのうち37～51%の誤差を37～51%減らした(風速64～73%、太陽風48～61%)。 ゼロショットを使用して、これらのモデルは同じ共変量でトレーニングされたLightGBMモデルと一致または性能を向上する。 3Mから331Mまでのモデルサイズは、はるかに小さな効果を持ち、共変量モデルの中央のアンサンブルが最も高い。 グリッドオペレーターのプレゲート予測は風と太陽に先んじており、最高の1つの基礎モデルの方が16-22%エラーが大きい。

関連論文リスト

• Chronos-2: A foundation model for multivariate time series forecasting [52.49981976734815]
  Chronos-2はゼロショット予測の基礎モデルである。 時系列間の関係を直接歴史的文脈から推測する。 タスク固有の処理なしで確率予測を生成する。
  論文  参考訳（メタデータ） (2026-10-30T16:08:23Z)
• WildfireSpreadBench: The Metric Decides the Model in Wildfire Spread Prediction [0.0]
  機械学習は、翌日に活発な山火事が燃える場所を予測するのにますます使われている。 ほとんどのモデルは平均精度(AP)を用いて評価され、すべての決定しきい値のパフォーマンスを要約する。 共有評価パイプラインを用いて,WildfireSpreadTS上で5つの識別アーキテクチャと1つの生成モデルをベンチマークした。
  論文  参考訳（メタデータ） (2026-08-29T03:29:14Z)
• Benchmarking Transformer and xLSTM for Time-Series Forecasting of Heat Consumption [0.0]
  本稿では,短期的な熱需要予測のためのTransformerベースのアーキテクチャとxLSTMアーキテクチャをベンチマークする。 我々は、プールド・ヘテロジニアス・ビルディング・データに基づいてトレーニングされたモデルが多様なビルディング・ストックをまたいで一般化できるかどうかをテストするベンチマークを確立する。 その結果、xLSTMは最低RMSE(3時間で19.88kWh、24時間で21.47kWh)を達成し、Temporal Fusion Transformerは最高MAE(9時間で9.16kWh)を達成した。
  論文  参考訳（メタデータ） (2026-05-10T19:40:03Z)
• Output Scaling: YingLong-Delayed Chain of Thought in a Large Pretrained Time Series Forecasting Model [55.25659103706409]
  このフレームワークは,設計した基盤モデルであるYingLongの最先端性能を実現する。 YingLongは、マスク付きトークンリカバリによってトレーニングされた非因果的双方向アテンションエンコーダのみのトランスフォーマーである。 我々は、6Mから3Mパラメータの4つの基礎モデルをリリースし、ゼロショットタスクにおいて優れた結果を示す。
  論文  参考訳（メタデータ） (2025-05-20T14:31:06Z)
• GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
  時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。 GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。 GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
  論文  参考訳（メタデータ） (2024-10-14T11:29:38Z)
• Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
  本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。 本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
  論文  参考訳（メタデータ） (2023-10-24T22:59:56Z)
• Forecasting Tropical Cyclones with Cascaded Diffusion Models [4.272401529389713]
  この研究は、生成拡散モデルを利用してサイクロン軌道と降水パターンを予測する。 予測は1台のNvidia A30/RTX 2080 Tiで30分で作成できる。
  論文  参考訳（メタデータ） (2023-10-02T23:09:59Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)

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。