评估电力价格预测的时间序列基础模型：污染风险、分布偏移和协变量依赖性
该研究提出了一种双数据集基准评估框架，用于公平评估时间序列基础模型（TSFMs）在电力价格预测中的表现。研究发现，TSFMs在零样本预测中表现强劲，但严重依赖于协变量支持，且不一定超越专用领域方法。有趣的是，TSFMs与领域特定方法的简单集成显示出显著潜力，表明两种方法捕获了互补的预测信息。
时间序列基础模型（TSFMs）在零样本预测领域展现了强大的能力，但在协变量驱动且非平稳的设定下，其泛化性能尚待深入探索。电力价格预测（EPF）因具有复杂的时间依赖性、分布偏移以及对结构和上下文信息的高度依赖，成为评估TSFMs的极佳测试平台。近期，一项发表于ICML 2026基础模型结构化数据研讨会的研究，由Zhenghua Pan等人提出了一种创新的双数据集基准框架，旨在有效减轻数据污染风险，从而实现对TSFMs的公平评价。
该研究深入分析了EPF的关键方面，包括点预测与概率预测性能、尾部行为以及价格尖峰特征，并将TSFMs与专门针对EPF设计的领域特异性方法进行了全面比较。研究结果显示，TSFMs在竞争性方面表现突出，并且经常优于通用基线模型，但其性能高度依赖于协变量的支持。值得注意的是，尽管TSFMs表现出色，但它们并未能持续超越那些专门针对EPF定制的方法。这一发现揭示了TSFMs在专业领域的局限性。
最引人注目的发现之一是，简单地将TSFMs与领域特异性方法进行集成，展现了巨大的潜力。这种集成策略暗示了两种方法捕捉到了互补的预测信息，从而为未来的研究指明了方向。该研究强调了在非平稳、协变量驱动的现实场景中部署基础模型时，必须重视评估框架的稳健性。研究者建议，未来应进一步探索集成策略，以充分利用TSFMs的通用性与领域方法的专业化优势，从而推动电力价格预测技术的进步。