等差量分位回归平均用于电力价格预测的不确定性量化

量化预测模型的不确定性对于评估和缓解数据驱动决策所面临的风险尤为重要，尤其是在如电力市场这类波动性强的领域。机器学习方法可以提供高度准确的电力价格预测，这对于为市场参与者的决策至关重要。然而，这些模型常缺乏不确定性估计，这限制了决策者避免不必要风险的能力。本文提出了一种新方法，用于从点预测的集成中生成概率预测，称为等差量分位回归平均 (Isotonic Quantile Regression Averaging, iQRA)。在 established 的分位回归平均 (QRA) 框架基础上，我们引入随机顺序约束以提高预测准确性、可靠性和计算成本。在对德国日前电力市场的广泛预测研究中，我们发现 iQRA 在可靠性和锐度方面均 consistently 优于最新的后处理方法。它在多个置信水平下产生经过良好校准的预测区间，为所有基准方法提供了 superior 可靠性，尤其是覆盖率基准的保守预测。在此基础上，等差正则化降低了分位回归问题的复杂度，并提供了一种无需调节超参数的变量选择方法。