arXiv 机器学习· Tomas Kaljevic, Ivan Arzola, Yu Zhang·· 3 小时前AI 评分32
时间序列基础模型在协变量不确定性下的电力负荷预测评测
Benchmarking Time Series Foundation Models for Load Forecasting Under Covariate Uncertainty
AI 导读
一项针对短期电力负荷预测（STLF）的研究在3个真实数据集上对比了4个从头训练模型与4个时间序列基础模型（TSFM）。结果显示，在未来协变量可用或准确预测时，Chronos-2 在零样本与微调设置下均达到 SOTA 表现。然而随着协变量噪声增加其性能会下降，而 TimesNet 在严重协变量不确定性下展现出更强的鲁棒性。
来源：arXiv 机器学习 · arxiv.org