面向电价预测的预训练时间序列模型基准测试
机器学习
2025-08-21 v2 人工智能
统计金融
摘要
准确的电价预测（EPF）对于现货市场电力交易中的有效决策至关重要。尽管生成式人工智能（GenAI）和预训练大语言模型（LLM）的最新进展启发了众多用于时间序列预测的时间序列基础模型（TSFMs）的开发，但它们在 EPF 中的有效性仍不确定。为填补这一空白，我们将几种最先进的预训练模型——Chronos-Bolt、Chronos-T5、TimesFM、Moirai、Time-MoE 和 TimeGPT——与成熟的 EPF 统计和机器学习（ML）方法进行了基准对比。使用来自德国、法国、荷兰、奥地利和比利时的 2024 年日前拍卖（DAA）电价，我们生成了预测期为一天的每日预测。Chronos-Bolt 和 Time-MoE 在 TSFMs 中表现最佳，与传统模型表现相当。然而，能够捕捉日和周季节性的双季节 MSTL 模型，因其在各国和各项评估指标上的一致表现而脱颖而出，没有 TSFM 在统计意义上优于它。
引用
@article{arxiv.2506.08113,
title = {Benchmarking Pre-Trained Time Series Models for Electricity Price Forecasting},
author = {Timothée Hornek Amir Sartipi and Igor Tchappi and Gilbert Fridgen},
journal= {arXiv preprint arXiv:2506.08113},
year = {2025}
}