评估用于电力价格预测的时间序列基础模型：污染风险、分布变化和协变量依赖

arXiv cs.LG 论文
time-series foundation-models electricity-price-forecasting contamination-risk distributional-shifts covariate-dependence

摘要

本文评估了用于电力价格预测的时间序列基础模型，考察了污染风险、分布变化和协变量依赖。研究发现TSFMs具有竞争力，但依赖于协变量支持，并且与特定领域方法的集成显示出潜力。

arXiv:2607.02623v1 Announce Type: new 摘要：时间序列基础模型（TSFMs）在零样本预测中表现出色，但它们在协变量驱动的非平稳环境下的泛化能力尚未得到充分探索。电力价格预测（EPF）由于复杂的时间依赖性、分布变化以及对结构和上下文信息的强烈依赖，成为一个具有挑战性的测试平台。我们提出了一个用于EPF的双数据集基准框架，以减轻污染风险并实现对TSFMs的公平评估。我们考察了EPF的关键方面，包括点预测和概率预测性能、尾部行为、价格峰值以及与特定领域方法的比较。我们发现TSFMs具有很强的竞争力，并且通常优于通用基线。然而，它们的性能关键取决于协变量支持，并且并不始终优于针对EPF定制的领域特定方法。有趣的是，TSFMs与领域特定方法的简单集成显示出显著潜力，表明这两种方法捕捉到了互补的预测信息。
查看原文
查看缓存全文

缓存时间: 2026/07/07 04:38 

# 评估用于电力价格预测的时间序列基础模型：污染风险、分布偏移与协变量依赖性
来源：https://arxiv.org/abs/2607.02623
查看 PDF (https://arxiv.org/pdf/2607.02623)

> 摘要：时间序列基础模型（TSFMs）在零样本预测方面表现出色，但其在协变量驱动、非平稳场景下的泛化能力尚未得到充分探索。电力价格预测（EPF）由于复杂的时间依赖性、分布偏移以及对结构和上下文信息的强依赖性，构成了一个具有挑战性的测试平台。我们提出了一个用于EPF的双数据集基准测试框架，以降低污染风险并实现TSFMs的公平评估。我们考察了EPF的关键方面，包括点预测和概率预测性能、尾部行为、价格峰值，以及与领域专用方法的对比。我们发现TSFMs具有很强的竞争力，且通常优于通用基线模型。然而，它们的性能严重依赖于协变量支持，并且并非始终优于针对EPF定制的领域专用方法。有趣的是，TSFMs与领域专用方法的简单集成显示出显著潜力，表明这两种方法捕捉到了互补的预测信息。

## 提交历史

来自：Ahmed Aziz Ezzat [查看邮箱 (https://arxiv.org/show-email/05fa122c/2607.02623)] **[v1]**2026年7月2日 星期四 11:43:22 UTC (2,185 KB)

相似文章

TS-Fault：针对结构性故障的时间序列预测器基准测试

arXiv cs.LG

本文介绍了TS-Fault，这是一个用于评估时间序列预测模型在结构化故障场景（如依赖关系断裂和机制变化）下的基准测试。研究发现，干净数据上的准确性通常与鲁棒性呈负相关，且基础模型特别脆弱。

评估基础模型在时间序列预测中的运行可行性

arXiv cs.LG

本文对基础模型在时间序列预测中的应用进行了评估，与四种操作领域中的监督学习方法进行了比较，并提出了一种复杂性路由器，用于选择性地将序列分配给最优模型类别，以平衡准确性和推理成本。