在协变量不确定性下对负荷预测时间序列基础模型进行基准评测
Benchmarking Time Series Foundation Models for Load Forecasting Under Covariate Uncertainty
精选理由
揭示不同基础模型在负荷预测及协变量不确定性下的表现差异，助力模型选型。
AI 摘要
arXiv:2610.07232v1 公告类型：新 摘要：准确的短期负荷预测（STLF）对于现代电力系统的可靠、高效运行至关重要。尽管时间序列基础模型（TSFM）近期已在广泛的预测任务中展现出卓越性能，但在现实运行条件下开展STLF的有效性仍基本未得到探索。本文在三个真实世界负荷预测数据集上，针对未来协变量信息的可用性和质量不同的运行场景，对四个从头训练（TFS）模型和四个TSFM进行了全面基准评测。结果表明，在未来协变量可用或能够被准确预测时，无论是在零样本还是微调设置下，Chronos-2始终取得最先进的性能。然而，随着协变量预测中的噪声不断增加，其性能会逐渐下降，而TimesNet在严重协变量不确定性下表现出更强的鲁棒性。这些发现证明了利用协变量信息的TSFM在STLF中的有效性，同时凸显了稳健协变量建模在现实世界预测应用中的关键作用。