評估電力價格預測的時間序列基礎模型：污染風險、分佈偏移和協變量依賴性
該研究提出了一種雙數據集基準評估框架，用於公平評估時間序列基礎模型（TSFMs）在電力價格預測中的表現。研究發現，TSFMs在零樣本預測中表現強勁，但嚴重依賴於協變量支持，且不一定超越專用領域方法。有趣的是，TSFMs與領域特定方法的簡單集成顯示出顯著潛力，表明兩種方法捕獲了互補的預測信息。
時間序列基礎模型（TSFMs）在零樣本預測領域展現了強大的能力，但在協變量驅動且非平穩的設定下，其泛化性能尚待深入探索。電力價格預測（EPF）因具有複雜的時間依賴性、分佈偏移以及對結構和上下文信息的高度依賴，成為評估TSFMs的極佳測試平台。近期，一項發表於ICML 2026基礎模型結構化數據研討會的研究，由Zhenghua Pan等人提出了一種創新的雙數據集基準框架，旨在有效減輕數據污染風險，從而實現對TSFMs的公平評價。
該研究深入分析了EPF的關鍵方面，包括點預測與概率預測性能、尾部行為以及價格尖峯特徵，並將TSFMs與專門針對EPF設計的領域特異性方法進行了全面比較。研究結果顯示，TSFMs在競爭性方面表現突出，並且經常優於通用基線模型，但其性能高度依賴於協變量的支持。值得注意的是，儘管TSFMs表現出色，但它們並未能持續超越那些專門針對EPF定製的方法。這一發現揭示了TSFMs在專業領域的侷限性。
最引人注目的發現之一是，簡單地將TSFMs與領域特異性方法進行集成，展現了巨大的潛力。這種集成策略暗示了兩種方法捕捉到了互補的預測信息，從而為未來的研究指明瞭方向。該研究強調了在非平穩、協變量驅動的現實場景中部署基礎模型時，必須重視評估框架的穩健性。研究者建議，未來應進一步探索集成策略，以充分利用TSFMs的通用性與領域方法的專業化優勢，從而推動電力價格預測技術的進步。