数据驱动的校准样本选择与电价预测中的组合方法：ARHNN 方法的应用
应用统计
2025-10-20 v1 机器学习
摘要
校准样本选择与预测组合是预测中两种简单却强大的工具。它们可以与各种模型结合,显著提高预测准确性,同时提供易于实现且计算复杂度低的优势。尽管其有效性在先前科学文献中反复得到确认,但在电价预测领域仍鲜有探索。本研究文章将Autoregressive Hybrid Nearest Neighbors(ARHNN)方法应用于描述德国、西班牙和新英格兰电力市场的三个长期时间序列。我们展示了该方法在预测准确性方面可通过最高达到10%超越流行文献基准。我们还提出了两种该方法的简化变体,为计算时间提供了广泛的减少,仅在预测准确性方面轻微损失。最后,我们将预测在电池储存系统交易案例中的表现进行了比较。我们发现,使用基于预测的策略可实现交易中达到理论最大利润的80%,在实际应用中展现出业务价值。
引用
@article{arxiv.2510.15011,
title = {Data-driven Calibration Sample Selection and Forecast Combination in Electricity Price Forecasting: An Application of the ARHNN Method},
author = {Tomasz Serafin and Weronika Nitka},
journal= {arXiv preprint arXiv:2510.15011},
year = {2025}
}