arXiv cs.AI· Aliullah, Julian Oelhaf, Edouard Fouch\'e, Jessica Deuschel, Christian Bergler, Andreas Maier, Siming Bayer·· 11 小时前AI 评分20
时间序列基础模型参数高效适配用于电力负荷预测：MOIRAI 与 Chronos-2 上的 LoRA 对比研究
Parameter-Efficient Adaptation of Time Series Foundation Models for Electrical Load Forecasting
AI 导读
研究对比了预训练推理、全量微调与 LoRA 在四个电力负荷聚合层级上的预测精度与适配效率，主模型为 MOIRAI 1.0 Large，并用 Chronos-2 验证结论可迁移性。
正文 · AI 翻译
摘要：准确的电力负荷预测可支撑国家、地区、城市和建筑层面的电力系统运行，但针对特定目标重复开发模型成本高昂。时间序列基础模型（TSFM）提供了可复用的预训练骨干网络，不过多领域预训练可能无法充分捕捉负荷特有的特征。本文在四种电力负荷聚合层级上，比较了预训练推理、全量微调与低秩适配（LoRA）在预测准确性和适配效率方面的表现。MOIRAI 1.0 Large 作为主要骨干模型，Chronos-2 用于评估这些发现能否跨模型家族迁移。评估涵盖分布内（ID）和分布外（OOD）两种设置，并考察紧凑适配能否在强预训练检查点之上带来一致的增益。在所评估的各聚合层级上，预训练基础模型均优于所实现的季节性朴素基线和 XGBoost 基线。在 MOIRAI Large 上，秩为 16 的 LoRA 平均将归一化平均绝对误差（NMAE）降低 7.5%，同时仅更新 314.6 万个参数，约占模型的 1%，并保留了全量微调的大部分改进。Chronos-2 的预训练 NMAE 低于 MOIRAI，但从适配中获益较少。OOD 结果表明，适配收益因目标而异，其中局部区域序列和若干建筑的增益最为明显。总体而言，当适配能在强预训练检查点之上带来有意义的增益时，LoRA 提供了有利的精度—效率权衡。
| 评论： | 被接收在 IEEE 电力与能源学生峰会（PESS 2026，德国卡尔斯鲁厄）上展示。6 页，4 幅图，1 张表 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.28200 [cs.LG] |
| （或 arXiv:2610.28200v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28200 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Aliullah Aliullah [查看邮箱]
[v1]
2026 年 10 月 20 日星期二 13:40:48 UTC（89 KB）
来源：arXiv cs.AI · arxiv.org