回归模型与基础模型：面向实际电价预测的混合 AI 方法
机器学习
2026-03-10 v1 人工智能
摘要
电价市场价格呈现极端波动、非线性和非平稳特性，使准确预测构成重大挑战。虽然最前沿的时间序列基础模型(TSFMs)有效捕获时序依赖性，但通常未充分利用对交叉变量关联和非周期模式的捕获，这些在价格预测中至关重要。相反，回归模型在捕获特征相互作用方面优越，但局限于未来可得输入，忽略了不可在预测时获取的关键历史驱动因素。为弥合这一差距，我们提出了一种新范式——FutureBoosting，通过集成来自冻结 TSFM 生成的预测特征来增强基于回归的预测，从而利用 TSFM 建模历史模式的能力，并将这些见解注入到下游回归模型中。我们将该范式实例化为一个轻量级、即插即用的电价预测框架。在真实世界电价数据上的广泛评估表明，我们的框架持续优于最先进的 TSFM 和回归基线，在 MAE 上实现超过 30% 的降低。通过消融研究和可解释 AI(XAI) 技术，我们验证了预测特征的贡献，并阐明了模型的决策过程。FutureBoosting 为实际市场参与提供了稳健、可解释且高效的解决方案，为增强回归模型时序上下文提供了通用框架。
引用
@article{arxiv.2603.06726,
title = {Regression Models Meet Foundation Models: A Hybrid-AI Approach to Practical Electricity Price Forecasting},
author = {Yunzhong Qiu and Binzhu Li and Hao Wei and Shenglin Weng and Chen Wang and Zhongyi Pei and Mingsheng Long and Jianmin Wang},
journal= {arXiv preprint arXiv:2603.06726},
year = {2026}
}
备注
15 pages. Preprint