Neural networks in day-ahead electricity price forecasting: Single vs. multiple outputs
Wrocław University of Science and Technology（弗罗茨瓦夫科技大学）；Delft University of Technology（代尔夫特理工大学）；Energyville（能源城）；Flemish Institute for Technological Research (VITO)（弗拉芒技术研究院）
人工智能和机器学习方法领域的最新进展导致其在文献中的受欢迎程度显著增加，包括电价预测。所述方法覆盖非常广泛的范围，从决策树，通过随机森林到各种人工神经网络模型和混合方法。在电价预测中，神经网络是最流行的机器学习方法，因为它们为经过良好测试的线性回归模型提供了非线性对应物。然而，它们的应用并不简单，需要考虑多种实施因素。其中一个因素是网络的结构。本文对使用深度神经网络时两种最常见的结构进行了全面比较-一种是分别关注一天中的每个小时，另一种是反映每日拍卖结构和价格模型向量。结果表明，使用后者的显着的准确性优势，从五个不同的电力交换的数据证实。
2020-08-18 cs.LG q-fin.ST stat.AP
Conformal Prediction for Electricity Price Forecasting in the Day-Ahead and Real-Time Balancing Market
University College Cork（科克大学学院）；International Energy Research Centre（国际能源研究中心）；Tyndall National Institute（廷德尔国家研究所）；University of Edinburgh（爱丁堡大学）；SFI Insight Centre for Data Analytics（SFI数据洞察中心）
本文针对可再生能源并网带来的电价预测难题，提出结合分位数回归与时间序列保形预测的集成方法，在日前和平衡市场中实现更窄且覆盖更可靠的预测区间，并通过电池储能交易模拟验证其提升收益的实际价值。
2025-02-07 cs.AI cs.LG
Hybrid Kolmogorov-Arnold Network and XGBoost Framework for Week-Ahead Price Forecasting in Australia's National Electricity Market
Department of Data Science and AI, Faculty of IT, Monash University, Australia（数据科学与人工智能系，IT学院，墨尔本大学，澳大利亚）；School of Electrical Engineering and Computer Science, University of Queensland, Australia（电气工程与计算机科学学院，昆士兰大学，澳大利亚）；Monash Energy Institute, Monash University, Australia（墨尔本能源研究所，墨尔本大学，澳大利亚）
本文提出了一种混合 KAN+XGBoost 框架，用于预测澳大利亚国家电力市场的周 ahead 电价，该框架结合了 Kolmogorov-Arnold 网络的全局非线性表示能力和 XGBoost 的局部鲁棒性，以捕捉长期依赖和短期价格波动，实验表明该模型在 MAE 上比 XGBoost 和 naive 基线模型分别减少了 12% 和 50% 以上。
2026-05-21 cs.CE cs.LG
Day-Ahead Electricity Price Forecasting for Volatile Markets Using Foundation Models with Regularization Strategy
本文提出一种正则化策略，利用基础模型在波动市场中提升电力价格预测的准确性。
2026-02-05 cs.AI cs.LG
Machine Learning and Time-Series Foundation Models for Day-Ahead Electricity Forecasting in a University Building
University Building（大学建筑）
该研究针对大学建筑日前电力预测，对比统计模型、机器学习模型、RNN及TimesFM等模型，发现TimesFM 3.0搭载协变量时误差最低，XGBoost具竞争力，TimesFM无需建筑专属权重训练，协变量对节假日预测有帮助。
2026-10-12 cs.AI cs.LG
Delta-Based Target Reformulation for Short-Term Electricity Load Forecasting Using LSTM and Transformer Models
针对电力负荷非平稳性，提出Delta目标重构方法，让LSTM和Transformer预测负荷变化量而非绝对值，在小时级预测中MAE和MAPE降低超50%。
2026-06-17 cs.LG
Leveraging Asynchronous Cross-border Market Data for Improved Day-Ahead Electricity Price Forecasting in European Markets
Technical University of Denmark, Denmark（丹麦技术大学）；KTH Royal Institute of Technology, Sweden（瑞典皇家理工学院）
本文通过利用异步跨境市场价格数据，提升了欧洲市场日间电力价格预测的准确性，为优化投标策略提供了新方法。
2025-07-17 cs.LG cs.SY eess.SY
Day-Ahead PV Power Forecasting Based on MSTL-TFT
Lanzhou University（兰州大学）
近年来，可再生能源在电力能源中所占的份额越来越大，其中光伏发电因其经济和环境效益而受到广泛关注，准确的光伏发电预测可以减少电网的电力调度，从而增加供应商在日前电力市场中的利润。光伏发电场的电力系统受太阳辐射的影响，光伏发电厂的特性和气象因素，导致其功率输出的不确定性。本研究使用多个季节趋势分解使用LOESS（MSTL）和时间融合Transformer（TFT）进行日前的PV预测的沙漠知识澳大利亚太阳能中心（DKASC）数据集。我们比较了分解算法（VMD、EEMD和VMD-EEMD）和预测模型（BP、LSTM和XGBoost等）结果表明，MSTL-TFT方法比上述方法更准确，与最近在澳大利亚沙漠知识太阳中心（DKASC）进行的日前PV预测相比，有明显的改善。
2023-01-31 cs.LG cs.SY eess.SY
Tree-based Forecasting of Day-ahead Solar Power Generation from Granular Meteorological Features
Luminus（路米纳斯公司）；University of Antwerp（安特卫普大学）；Maastricht University（马斯特里赫特大学）
本文使用基于树的机器学习方法，结合粗粒度和细粒度气象与天文特征，以小时分辨率预测比利时日前光伏发电量，为电网运营和分布式光伏并网提供支持。
2023-11-30 cs.LG stat.AP
Multivariate Empirical Mode Decomposition based Hybrid Model for Day-ahead Peak Load Forecasting
准确的日前高峰负荷预测不仅对电力调度至关重要，而且对投资者、能源政策制定者和政府都具有重要意义。文献表明，1%的预测误差下降可以减少1000万英镑的运营成本。因此，本研究提出了一种新的混合预测模型建立在多元经验模式分解（MEMD）和支持向量回归（SVR）的参数优化粒子群优化（PSO），这是能够捕捉精确的电力高峰负荷。本研究的新颖性主要来自于MEMD的应用，它使得多元数据分解能够在多元随时间恶化的过程中，有效地提取不同时间频率下相关变量之间的内在信息。来自澳大利亚新南威尔士州和维多利亚州的两个实际负荷数据集验证了MEMD-PSO-SVR混合模型的优越性。结果表明，MEMD-PSO-SVR方法是一种很有前途的方法，用于日前电力高峰负荷预测。
2021-10-28 cs.LG
Short-Term Electricity Load Forecasting Using the Temporal Fusion Transformer: Effect of Grid Hierarchies and Data Sources
University of Bamberg（班贝格大学）
本文研究了Temporal Fusion Transformer在不同时间范围和电网层级进行短期电力负荷预测的潜力，发现其在变电站层级日前预测和周前预测中显著优于LSTM模型。
2023-05-17 cs.LG
Deep Learning-Based Electricity Price Forecast for Virtual Bidding in Wholesale Electricity Market
Wayne State University（韦恩州立大学）；Northville High School（诺维尔高中）；Greenwich Commodities LLC（格林威治商品有限责任公司）
提出基于 Transformer 的 ERCOT 日前—实时电价价差预测模型，并结合每周滚动验证与交易回测，发现高峰时段策略可获得近乎稳定的累计利润。
2024-11-25 cs.LG q-fin.CP
Ensemble Forecasting for Intraday Electricity Prices: Simulating Trajectories
University of Duisburg-Essen（杜伊斯堡-埃森大学）
最近关于点电价预测的研究表明，每小时德国日内连续市场是弱式有效的。因此，我们采取了一种新颖的、先进的方法来解决这个问题。通过模拟每个交易窗口中的轨迹来执行每小时日内电价的概率预测，以接收真实的集合，从而允许更有效的日内交易和重新调度。一个广义的加法模型被拟合到价格差，假设它们遵循零膨胀分布，确切地说是狄拉克分布和学生t分布的混合。此外，使用具有套索惩罚的高维逻辑回归估计混合项。我们使用i.a.对序列的期望值和波动率进行建模。自回归和无交易效应或负荷、风能和太阳能发电预测，并考虑到例如到期时间的非线性。使用滚动窗口预测研究的样本内特性和预测性能进行了分析。多个版本的模型进行了比较，几个基准模型，并使用概率预测措施和显着性检验进行评估。该研究旨在预测德国日内连续市场在最后3小时交易中的价格分布，但该方法可以应用于其他连续市场，特别是欧洲市场。结果证明了混合模型的优越性，从波动率的建模中获得最多的基准。它们还表明，XBID的引入降低了市场波动。
2020-08-29 cs.LG cs.SY econ.EM
Anomaly Detection in California Electricity Price Forecasting: Enhancing Accuracy and Reliability Using Principal Component Analysis
U.S. Department of Energy（美国能源部）；SAS Institute（SAS研究所）
本研究针对加州电网电价预测的复杂数据与异方差挑战，结合PCA、RPCA及SAS稀疏矩阵离群点去除方法优化特征，构建回归模型，显著提升日前电价预测准确性，助力可再生能源并网与电网管理。
2024-11-25 cs.AI cs.ET cs.LG
Forecasting with an N-dimensional Langevin Equation and a Neural-Ordinary Differential Equation
Imperial College（帝国理工学院）；Vortico Tech（沃蒂科科技公司）
该研究针对电力市场非平稳电价预测问题，提出结合N维朗之万方程与神经常微分方程的框架，经西班牙电力日前市场验证，其可靠性与鲁棒性优于基础朴素方法。
2026-08-24 cs.LG math.DS physics.data-an
Electricity Price Forecasting in the Irish Balancing Market
University College Cork（科克大学学院）；Insight Centre for Data Analytics（Insight数据 analytics中心）
本研究将日前市场的电价预测技术应用于爱尔兰平衡市场，通过比较统计、机器学习和深度学习模型发现，基于LASSO的LEAR模型表现最佳，表明平衡市场与日前市场存在本质差异。
2024-02-09 cs.LG q-fin.PR
A probabilistic forecast methodology for volatile electricity prices in the Australian National Electricity Market
The University of Adelaide（阿德莱德大学）
针对澳大利亚国家电力市场南澳地区电价高波动问题，提出结合尖峰过滤、后处理及以分位数回归为集成工具的概率预测方法，通过平均不同训练时长模型提升适应性与精度，效果优于各组成模型及NEM运营商的点预测。
2023-12-12 cs.LG
Investigating Calibration Challenges in Probabilistic Electricity Price Forecasting
Institute for Automation and Applied Informatics（自动化与应用信息学研究所）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文指出当前概率电价预测中评分规则偏向锐度而忽视校准，导致过自信估计，呼吁未来研究转向校准感知的目标和架构。
2026-06-08 cs.LG
Forecasting the Intra-Day Spread Densities of Electricity Prices
London Business School（伦敦商学院）
电力交易商、仓储和电动汽车运营商对日内价差感兴趣。本文制定了动态密度函数，基于偏T和类似的表示，模型和预测德国的电力价格之间的价差不同的时间的一天，揭示了在一天前的拍卖。密度函数的四个规格是动态的，并取决于外部驱动程序，从而允许密度的位置，规模和形状参数，以每小时响应天气和需求预测等因素。每个价差的最佳拟合和预测规格是根据弹球损失函数选择的，遵循累积分布函数的封闭形式解析解。
2020-02-20 cs.LG econ.EM stat.AP
Multivariate Scenario Generation of Day-Ahead Electricity Prices using Normalizing Flows
Forschungszentrum Jülich GmbH（于利希研究中心）；University of Cologne（科隆大学）；Norwegian University of Life Sciences（挪威生命科学大学）；RWTH Aachen University（亚琛工业大学）
提出基于 normalizing flow 的日前电力价格概率预测方法，通过条件特征生成全天价格场景，并引入扩展特征集与周期性重训练以适应市场变化，生成高质量场景并实现准确预测。
2024-03-22 cs.LG
Revisiting Day-ahead Electricity Price: Simple Model Save Millions
Peking University（北京大学）；Wuhan Yuanguang Technology Co., Ltd.（武汉远光科技有限公司）；Nyocor Co., Ltd.（Nyocor有限公司）
针对现有日前电价预测方法精度不足的问题，提出一种结合电价与供需先验相关性的简单分段线性模型，在山西和新英格兰市场实验中可年省数百万美元，验证了经济先验与时序建模结合的价值。
2024-08-19 cs.LG econ.EM
Learning the Gap in the Day-Ahead and Real-Time Locational Marginal Prices in the Electricity Market
University of California San Diego（加州大学圣地亚哥分校）；San Diego State University（圣地亚哥州立大学）
本文使用统计机器学习算法以及深度神经网络来预测日前和实时电力市场之间的价差值。几个外生功能收集和这些功能的影响进行检查，以捕捉功能和目标变量之间的最佳关系。包围学习算法，即随机森林，用于计算日前和实时市场的预测电价的概率分布。长短期记忆（LSTM）被用来捕捉长期依赖关系，预测所提到的市场之间的直接差距值，并说明了直接预测差距价格而不是减去前一天和实时市场的预测的好处。加州独立系统运营商（CAISO）的电力市场数据进行了为期两年的案例研究。所提出的方法进行评估和神经网络预测的间隙的确切值显示出良好的效果。
2020-12-23 cs.LG cs.SY eess.SY
Transfer learning for day-ahead load forecasting: a case study on European national electricity demand time series
National Technical University of Athens（雅典国立技术大学）
本研究针对欧洲27个国家日前电力需求时间序列，探讨迁移学习在短期负荷预测中的应用，发现结合聚类分析的神经网络迁移学习方法优于传统预测方式。
2023-10-24 cs.LG
Market-Information-Aware Gated-LoRA of Foundation Models for Transferable Day-Ahead Electricity Price Forecasting
本文提出融合市场信息的Gated-LoRA框架，将Chronos-2模型迁移至日前电价预测，经中国四省现货市场验证，可显著降低预测误差，为数据稀缺电力市场提供迁移方案。
2026-08-13 cs.LG
Forecasting day-ahead electricity prices in Europe: the importance of considering market integration
Delft University of Technology（代尔夫特理工大学）；VITO-Energyville（VITO-能源城）；Vrije Universiteit Brussel（布鲁塞尔自由大学）
在电力市场日益一体化的激励下，本文提出了两种不同的方法，将市场一体化的电价预测，提高预测性能。首先，我们提出了一个深度神经网络，它考虑了连接市场的特征，以提高本地市场的预测准确性。为了衡量这些功能的重要性，我们提出了一种新的功能选择算法，通过使用贝叶斯优化和功能方差分析，评估算法性能的功能的影响。此外，使用市场整合，我们提出了第二个模型，通过同时预测两个市场的价格，进一步提高了预测精度。作为一个案例研究，我们考虑在比利时的电力市场和预测精度的提高时，使用各种法国电力功能。我们表明，这两个模型导致统计上显着的改进。特别是，由于市场整合，预测精度从15.7%提高到12.5%sMAPE（对称平均绝对百分比误差）。此外，我们表明，所提出的特征选择算法能够执行正确的评估，即丢弃不相关的功能。
2017-12-07 cs.CE cs.LG cs.NE
Frugal day-ahead forecasting of multiple local electricity loads by aggregating adaptive models
Électricité de France R&D（法国电力公司研发部）；Viking Conseil（维京咨询公司）
我们专注于日前的电力负荷预测的变电站的配电网在法国，因此，我们的问题在于一个单一的消费和稳定的全国总需求之间的不稳定性。此外，我们有兴趣预测一千多个变电站的负荷，因此，我们是在预测多个时间序列的背景下。为此，我们依赖于一种自适应方法，在全国范围内提供了出色的结果;这个想法是将广义加性模型与状态空间表示相结合。然而，这种方法的扩展到超过一千个时间序列的预测提出了一个计算问题。我们解决它通过开发一个节俭的变体，减少估计的参数的数量，我们估计的预测模型只有少数时间序列，并实现迁移学习依靠专家的聚合。它减少了计算需求及其相关排放。我们建立了几个变体，对应于不同级别的参数传递，我们寻找准确性和节俭之间的最佳权衡。与最先进的单个模型相比，所选方法实现了具有竞争力的结果。最后，我们强调了模型的可解释性，这对业务应用程序很重要。
2023-02-16 cs.LG stat.AP stat.ME
Forecasting day-ahead electricity prices: A review of state-of-the-art algorithms, best practices and an open-access benchmark
Delft University of Technology（代尔夫特理工大学）；Energyville（能源城（能源研究机构））；Flemish Institute for Technological Research (VITO)（弗拉芒技术研究院）；Wrocław University of Science and Technology（弗罗茨瓦夫理工大学）
虽然电价预测领域在过去二十年中受益于大量的贡献，但可以说缺乏严格的方法来评估新的预测算法。后者通常使用独特的、非公开可用的数据集进行比较，并且在太短且仅限于一个市场的测试样本中进行比较。所提出的新方法很少以成熟和性能良好的简单模型为基准，准确性指标有时不足，很少测试预测性能差异的显著性。因此，目前尚不清楚哪些方法表现良好，也不清楚预测电价时的最佳做法是什么。在本文中，我们通过对最先进的模型进行文献调查，比较多年和市场中最先进的统计和深度学习方法，并提出一套最佳实践来解决这些问题。此外，我们还提供了所考虑的数据集、最先进模型的预测以及专门设计的Python工具箱，以便在未来的研究中对新算法进行严格的评估。
2020-12-21 cs.LG q-fin.ST stat.AP
A Hybrid Autoencoder-Transformer Model for Robust Day-Ahead Electricity Price Forecasting under Extreme Conditions
Beijing Normal-Hong Kong Baptist University（北京师范大学-香港 Baptist大学）；Shenzhen Research Institute of Big Data（深圳大数据研究院）；School of Science and Engineering（科学与工程学院）；School of Electrical and Power Engineering（电气与电力工程学院）
针对极端条件下日前电价预测的挑战，本文提出集成蒸馏注意力Transformer（DAT）与自编码器自回归模型（ASM）的混合框架，实验表明其在预测精度、鲁棒性和效率上优于现有方法，可提升电网弹性与市场运营优化。
2025-11-10 cs.AI cs.LG
Multivariate Probabilistic CRPS Learning with an Application to Day-Ahead Electricity Prices
University of Duisburg-Essen（杜伊斯堡-埃森大学）；Chair of Environmental Economics, esp. Economics of Renewable Energy（环境经济学（侧重可再生能源经济学）教席）
本文提出一种基于Bernstein在线聚合的多元概率预测在线组合方法，通过平滑处理分位数依赖，在日前电价24维预测中显著优于均匀组合，并提供了R包实现。
2024-02-06 cs.LG econ.EM q-fin.CP
An adaptive standardisation methodology for Day-Ahead electricity price forecasting
Fortia Energía（福尔蒂亚能源公司）；Universidad Politécnica de Madrid（马德里理工大学）；Instituto de Ciencias Matemáticas（数学科学研究所）
针对日前电力价格预测中复杂度增加收益递减的问题，提出自适应标准化方法缓解数据集偏移，在五个市场（含两个新数据集）上结合LEAR和DNN算法取得显著提升。
2024-04-26 cs.LG stat.AP stat.ME
Multivariate Probabilistic Forecasting of Intraday Electricity Prices using Normalizing Flows
Forschungszentrum Jülich GmbH（于利希研究中心）；RWTH Aachen University（亚琛工业大学）；University of Cologne（科隆大学）；JARA-ENERGY（于利希-亚琛研究联盟能源部）
电力在不同的市场上交易，有不同的时间范围和规定。由于可再生能源的更高渗透率，短期日内交易变得越来越重要。在德国，日内电价通常围绕欧洲电力交易所（EPEX）现货市场的前一天价格以独特的小时模式波动。这项工作提出了一种概率建模方法，建模当天的价格差异，提前一天的合同。该模型捕捉新兴的每小时的模式，考虑四个15分钟的间隔，在每个前一天的价格区间作为一个四维联合概率分布。所得到的非平凡的多变量价格差分布使用归一化流来学习，即，一种结合了条件多元密度估计和概率回归的深度生成模型。此外，这项工作讨论了不同的外部影响因素的影响，基于文献的见解和影响分析，使用可解释的人工智能（XAI）。归一化流相比，历史数据和概率预测使用高斯copula和高斯回归模型的知情选择。在不同的模型中，归一化流以最高的精度识别趋势，并具有最小的预测区间。XAI分析和实证实验都强调，价差实现的即时历史和前一天价格的增量对价差影响最大。
2023-03-10 cs.LG
Hierarchical forecasting for aggregated curves with an application to day-ahead electricity price auctions
University of Duisburg-Essen（杜伊斯堡-埃森大学）；Chair of Environmental Economics, esp. Economics of Renewable Energy（环境经济学（尤其是可再生能源经济学）教席）
本研究利用聚合曲线的内在分层结构，提出新型aggregated-down基准协调方法，结合已有分层协调方法，通过德国日前电力拍卖市场实证验证，有效提升了聚合曲线的预测精度。
2023-05-25 cs.LG econ.EM q-fin.TR
Transfer Learning for Electricity Price Forecasting
Istanbul Technical University（伊斯坦布尔理工大学）；Bahcesehir University（巴赫切谢希尔大学）；King's College London（伦敦国王学院）
电价预测是世界上所有放松管制的市场中的一项重要任务。日前电价的准确预测是一个活跃的研究领域，来自各个市场的可用数据可以用作预测的输入。已经为这项任务提出了一系列模型，但如何使用可用的大数据的基本问题往往被忽视。在本文中，我们建议使用迁移学习作为一种工具，利用其他电力价格市场的预测信息。我们在源市场上预训练神经网络模型，最后对目标市场进行微调。此外，我们测试了不同的方法来使用丰富的输入数据，从不同的电价市场。我们在四个不同的日前市场上的实验表明，迁移学习以统计上显著的方式提高了电价预测性能。此外，我们将我们的结果与滚动窗口方案中的最新方法进行比较，以证明迁移学习方法的性能。
2022-11-17 cs.LG eess.SP stat.ML
An Artificial Intelligence Solution for Electricity Procurement in Forward Markets
University of Liège（列日大学）
居民和主要电力消费者通常提前几年在远期市场购买其估计电力需求的重要百分比。这一长期电力采购任务包括确定何时购买电力，以使由此产生的能源成本最小化，并涵盖预测的消费量。在这篇科学文章中，重点是比利时远期市场的年度基本负荷产品，名为日历（CAL），可在交割期前三年进行交易。本文介绍了一种新的算法，根据CAL价格的历史，提供现在购买电力或等待未来机会的建议。该算法依赖于深度学习预测技术和量化与完全统一的参考采购政策偏差的指标。平均而言，所提出的方法超过了基准采购政策的考虑，并实现了1.65%的成本降低相对于完全统一的参考采购政策实现平均电价。此外，除了自动化复杂的电力采购任务外，该算法多年来显示出更一致的结果。最后，所提出的解决方案的通用性使得它非常适合于解决其他商品采购问题。
2020-12-02 cs.LG q-fin.TR
Estimating Dynamic Conditional Spread Densities to Optimise Daily Storage Trading of Electricity
London Business School（伦敦商学院）
本文制定了动态密度函数，基于偏t和类似的表示，建模和预测不同时间的一天之间的电价差。这支持最佳的提前一天的存储和放电时间表，从而促进了投标策略的商人套利设施到提前一天的拍卖批发电力。密度函数的四个潜在时刻是动态的，并取决于外部驱动因素，从而允许密度的均值、方差、偏度和峰度每小时响应天气和需求预测等因素。根据累积密度函数的封闭形式解析解，基于弹球损失函数选择每个排列的最佳规格。这些分析性质还允许计算与价差套利相关的风险。根据这些分布密度，确定电池存储设施的最佳日常操作。
2019-03-09 cs.LG econ.EM q-fin.TR
Multi-task Optimization Based Co-training for Electricity Consumption Prediction
RMIT University（皇家墨尔本理工大学）；Swinburne University of Technology（斯威本科技大学）；Hangzhou Dianzi University（杭州电子科技大学）
真实世界的电力消耗预测可能涉及不同的任务，例如，预测不同的时间步长或不同的地理位置。这些任务通常是独立解决的，而没有利用一些共同的解决问题的知识，可以提取和共享这些任务，以提高解决每个任务的性能。在这项工作中，我们提出了一个基于多任务优化（MTO）的协同训练（MTO-CT）框架，其中用于解决不同任务的模型通过MTO范式进行协同训练，其中解决每个任务可以从解决其他任务时获得的知识中受益，以帮助其解决过程。MTO-CT利用基于长短期记忆（LSTM）的模型作为预测器，其中知识通过连接权重和偏差表示。在MTO-CT中，设计了任务间知识转移模块，通过概率匹配和随机泛选择选择的方法选择最有用的源任务，并通过变异和交叉等进化操作将源任务中的知识重用到目标任务中。我们使用来自澳大利亚五个州的电力消耗数据，设计了两组不同规模的任务：a）每个州的一步预测（五个任务）和b）每个州的6步，12步，18步和24步预测（20个任务）。MTO-CT的性能进行了评估，解决这两组任务中的每一个相比，解决每个任务的设置独立，没有知识共享，在相同的设置，这表明了优越性的MTO-CT的预测精度。
2022-05-31 cs.AI cs.LG cs.NE
Multimodal deep learning for short-term stock volatility prediction
University of York（约克大学）
股票市场波动率预测是一项与评估市场风险相关的任务。我们使用最先进的深度学习方法研究了新闻和价格之间的相互作用，以进行一天前的波动预测。所提出的模型是端到端或使用从其他任务转移的句子编码器进行训练的。我们评估了广泛的股票市场行业，即消费必需品、能源、公用事业、医疗和金融行业。我们的实验结果表明，添加新闻改善了波动率预测相比，只依赖于价格数据的主流模型。特别是，我们的模型在决定系数$R^2$，$MSE$和$MAE$方面优于广泛认可的所有部门的GARCH（1，1）模型，在从新闻和价格数据进行训练时实现了最佳性能。
2018-12-25 cs.CL cs.LG q-fin.RM
Prediction Interval Construction Method for Electricity Prices
The University of Sydney（悉尼大学）
针对电价不确定性问题，提出一种结合条件生成对抗网络生成电价场景、堆叠场景得概率密度，并引入基于天气波动的强化预测机制的电价预测区间构建方法，经案例验证可有效应对价格波动与尖峰。
2025-01-14 cs.LG cs.SY eess.SY
Machine Learning and Deep Learning Models for Short Term Electricity Price Forecasting in Australia's National Electricity Market
School of Engineering, Computer & Mathematical Sciences, Auckland University of Technology (AUT)（奥克兰技术大学工程、计算机与数学科学学院）；Department of Thermal Energy and Power Engineering, Yantai University（烟台大学热能与动力工程系）；Department of Building Environment and Equipment, School of Civil Engineering, Hefei University of Technology（合肥工业大学土木工程学院建筑环境与设备系）；Green Gold Energy Pty Ltd
本文比较了六种算法在澳大利亚电力市场价格预测中的表现，发现树模型在预测中表现更优，但所有模型的误差均较高，需进一步改进。
2026-04-26 cs.LG cs.SY eess.SY
Quantile deep learning models for multi-step ahead time series prediction
University of New South Wales（新南威尔士大学）
本文提出一种结合分位数回归的深度学习框架用于多步时间序列预测，在比特币、以太坊及基准数据集上验证其在不损失准确率的前提下提升波动性处理和不确定性量化能力。
2024-11-24 cs.AI cs.LG q-fin.ST
