电价预测中时间序列基础模型的评估：数据污染风险、分布偏移与协变量依赖
Evaluating Time Series Foundation Models for Electricity Price Forecasting: Contamination Risk, Distributional Shifts, and Covariate Dependence
精选理由
为电价预测提供防污染基准，揭示基础模型对协变量的依赖及其与专业方法融合的潜力。
AI 摘要
arXiv:2607.02623v2 公告类型：替换 摘要：时间序列基础模型（TSFMs）已展现出强大的零样本预测能力，但其在协变量驱动的非平稳场景中的泛化能力尚未得到充分研究。电价预测（EPF）具有复杂的时间依赖关系、分布偏移，以及对结构性和上下文信息的强烈依赖，因此是一个具有挑战性的测试场景。我们提出了一个面向 EPF 的双数据集基准评估框架，以降低数据污染风险，并支持对 TSFMs 进行公平评估。我们考察了 EPF 的关键方面，包括点预测与概率预测性能、尾部行为、价格尖峰，以及与领域专用方法的比较。我们发现，TSFMs 具有很强的竞争力，且通常优于通用基线方法。然而，其性能在很大程度上取决于对协变量的支持，而且并不能始终超越针对 EPF 量身定制的领域专用方法。有趣的是，将 TSFMs 与领域专用方法进行简单集成似乎具有巨大潜力，这表明两类方法捕捉到了互补的预测信息。