热点事件持续更新
研究评估TimesFM在建筑日前电力预测中的表现
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
2026年10月12日，一项发布于arXiv的研究针对大学建筑日前电力预测，对机器学习与时间序列基础模型进行了评估。研究显示，预训练模型TimesFM 3.0在结合协变量时实现了最低的整体误差，相较每周季节性朴素基准降低了约43%的平均绝对误差。同时，TimesFM 3.0无需针对特定建筑权重进行训练，引入协变量有助于进一步改善节假日的预测表现。在其他对比模型中，XGBoost在本地拟合与推理方面展现出较强竞争力，而LSTM因训练耗时较长且未展现出优势。
AI 根据报道生成 · 4 小时前更新
最新进展10月12日 12:00
研究显示TimesFM 3.0结合协变量预测误差最低，XGBoost亦具较强竞争力。报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- arXiv 机器学习面向大学建筑日前电力预测的机器学习与时间序列基础模型评估
针对大学建筑日前电力预测的研究显示，预训练模型 TimesFM 3.0 结合协变量实现了最低整体误差，较每周季节性朴素基准降低约 43% 的平均绝对误差。TimesFM 3.0 无需特定建筑权重训练，引入协变量能进一步改善节假日预测。同时，XGBoost 在本地拟合与推理中表现出强竞争力，而 LSTM 训练耗时较长且未展现出优势。
本事件热度走势
当前热度 9·可比范围峰值 10（10月12日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。