arXiv cs.AI· Amey Vasulkar, Samuel Kernan Freire, Arie-Willem de Leeuw, Tadeo-Baldiri Salcedo-Rahola·· 6 天前AI 评分20
机器学习与时间序列基础模型用于大学建筑日前电力预测
Machine Learning and Time-Series Foundation Models for Day-Ahead Electricity Forecasting in a University Building
AI 导读
研究对统计模型、机器学习、循环神经网络与预训练 TimesFM 在大学建筑日前电力预测上进行基准测试，TimesFM 3.0 结合协变量取得最低整体误差，平均绝对误差较周季节朴素预测降低约 43%。XGBoost 仍具竞争力，但配对日比较未确立其平均绝对误差优势；TimesFM 无需建筑专属权重训练，XGBoost 则本地拟合与推理更快，LSTM 拟合更慢且未超越两者。
正文 · AI 翻译
摘要：日前电力预测可以帮助建筑运营者围绕预期需求安排供暖、通风和其他服务。选择预测模型还需要在准确性与预测时输入、本地训练和计算需求之间取得平衡。
我们针对一栋大学建筑对统计模型、机器学习、循环神经网络和预训练 TimesFM 模型进行了基准测试。我们采用按时间顺序的验证，并在相同的 57 个测试日上评估所有配置，比较工作日、周末和节假日的准确性，同时考察本地拟合和预测时间。天气协变量使用回顾性观测数据。
带协变量的 TimesFM 3.0 实现了最低的总体误差，相对于按周季节性朴素预测将平均绝对误差降低了约 43\%。XGBoost 仍具竞争力，尽管成对每日比较并未确立 TimesFM 在平均绝对误差上的明显优势。TimesFM 仅使用历史电力消耗也表现强劲。添加协变量改善了其节假日预测，但略微恶化了工作日和周末预测，使总体平均绝对误差几乎不变。TimesFM 无需针对特定建筑进行权重训练，而 XGBoost 提供快速的本地拟合和推理。所评估的 LSTM 拟合时间更长，且未优于这两种方法。
一项探索性历史评估揭示了季节性变化，而单独的天气来源比较仅使所选 TimesFM 配置的准确性产生微小变化。这些结果支持将预训练 TimesFM 作为该建筑强有力的初始预测基线，XGBoost 则是具有竞争力的本地拟合替代方案。当改善后的节假日预测足以证明额外输入准备工作的合理性时，协变量尤其有用。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.12638 [cs.LG] |
| （或 arXiv:2610.12638v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.12638 arXiv 颁发的 DOI，通过 DataCite（待注册） |
提交历史
来自：Amey Vasulkar [查看电子邮件]
[v1]
2026年10月8日星期四 19:00:09 UTC（2,871 KB）
来源：arXiv cs.AI · arxiv.org