分析统计与深度学习模型在概率电价预测中的不确定性量化
机器学习
2025-10-10 v3 统计理论
统计理论
摘要
精确的概率预测是能源风险管理的基础，为此存在广泛的统计和机器学习模型。这些概率模型固有某种形式的不确定性量化。然而，大多数模型并未捕捉到全部的不确定性，这些不确定性不仅来自数据本身，还来自模型和分布的选择。在本研究中，我们考察了用于德国市场电价预测的最先进的统计和深度学习概率预测模型中的不确定性量化。我们特别考虑了深度分布神经网络（DDNN），并通过集成方法、蒙特卡洛（MC）丢弃法和共形预测来增强它们，以解释模型不确定性。此外，我们还考虑了结合分位数回归平均（QRA）、广义自回归条件异方差（GARCH）和共形预测的LASSO估计自回归（LEAR）方法。通过一系列性能指标，我们发现，无论采用何种不确定性量化方法，基于LEAR的模型在概率预测方面都表现良好。此外，我们发现DDNN受益于同时纳入数据和模型不确定性，从而改善了点预测和概率预测。不确定性本身似乎被使用共形预测的模型最好地捕捉到了。总体而言，我们广泛的研究表明，所有考虑的模型都具有竞争力。然而，它们的相对性能取决于点预测和概率预测指标的选择。
引用
@article{arxiv.2509.19417,
title = {Analyzing Uncertainty Quantification in Statistical and Deep Learning Models for Probabilistic Electricity Price Forecasting},
author = {Andreas Lebedev and Abhinav Das and Sven Pappert and Stephan Schlüter},
journal= {arXiv preprint arXiv:2509.19417},
year = {2025}
}