arXiv cs.LG· Amey Vasulkar, Samuel Kernan Freire, Arie-Willem de Leeuw, Tadeo-Baldiri Salcedo-Rahola·· 22 天前AI 评分26
用于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测
Machine Learning and Time-Series Foundation Models for Day-Ahead Electricity Forecasting in a University Building
AI 导读
在大学建筑 57 个测试日的日前电力预测评测中，结合天气协变量的预训练基础模型 TimesFM 3.0 取得最低整体误差，较每周季节性基准降低约 43% 平均绝对误差。XGBoost 同样具备竞争力且支持快速本地拟合，而 TimesFM 无需针对具体建筑训练权重。仅凭历史用电的 TimesFM 表现依然稳健，引入协变量可进一步改善节假日预测，LSTM 则耗时更长且未展现优势。
来源：arXiv cs.LG · arxiv.org