这篇题为《评估用于电价预测的时间序列基础模型：污染风险、分布偏移与协变量依赖》的论文于2026年7月2日提交至arXiv，编号为arXiv:2607.02623v1，作者为Zhenghua Pan与另一位合作者，其中Ahmed Aziz Ezzat为提交联系人。该研究属于机器学习（cs.LG）领域，同时涉及系统与控制（eess.SY），并已被ICML 2026基础模型与结构化数据研讨会接收，会议地点为韩国首尔，属于第43届国际机器学习大会。
研究关注的核心问题是时间序列基础模型（TSFMs）在实际应用中的泛化能力。这类模型在零样本预测任务上表现突出，但其在由协变量驱动、且具有非平稳特性的环境中的表现仍缺乏充分探索。作者选择电价预测（EPF）作为检验场景，原因在于该任务本身具有多重挑战：电价序列存在复杂的时间依赖关系，分布会随时间发生偏移，并且预测结果高度依赖结构性信息与上下文信息。
为降低数据污染风险并实现公平比较，作者提出了一个基于两个数据集的基准测试框架。所谓污染风险，指的是基础模型在预训练阶段可能已经接触过测试数据，从而使零样本评估结果被高估。通过双数据集设计，研究试图更可靠地衡量TSFMs在电价预测中的真实能力。
在评估维度上，论文考察了点预测与概率预测的表现、尾部行为、价格尖峰，以及与领域专用方法的对比。研究发现，TSFMs具有较强的竞争力，往往能够超过通用基线模型。但与此同时，其表现对协变量支持高度敏感，并且并不能稳定地优于专门为电价预测设计的领域方法。这一结论表明，基础模型并非在所有场景下都能直接替代领域专用模型。
一个值得关注的发现是，将TSFMs与领域专用方法进行简单集成似乎具有显著潜力。作者据此推测，两类方法所捕捉的预测信息具有互补性，基础模型擅长利用大规模预训练获得的通用模式，而领域方法则更好地编码了电价市场的结构性知识。该研究为电价预测实践提供了重要的评估参考，也为基础模型在非平稳、强协变量依赖场景中的部署提出了需要谨慎对待的问题。