Assessing Electricity Demand Forecasting with Exogenous Data in Time Series Foundation Models

📄 arXiv: 2602.05390v1 📥 PDF

作者: Wei Soon Cheong, Lian Lian Jiang, Jamie Ng Suat Ling

分类: cs.LG, cs.AI

发布日期: 2026-02-05

备注: 9 pages, 1 Figure and 3 Tables. Accepted to AI4TS Workshop @ AAAI'26 as an oral presentation (see https://ai4ts.github.io/aaai2026)

💡 一句话要点

评估时间序列基础模型中外生数据对电力需求预测的影响

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 时间序列预测 基础模型 电力需求预测 外生变量 LSTM

📋 核心要点

  1. 电力需求预测依赖外生特征，但现有时间序列基础模型对此利用能力不足，效果不明确。
  2. 论文系统评估了多个时间序列基础模型在不同特征配置下的电力需求预测性能，并与LSTM基线对比。
  3. 实验表明，模型架构和地理环境显著影响基础模型的性能，在稳定气候下简单基线模型可能更优。

📝 摘要（中文）

时间序列基础模型已成为预测的新范式，但其有效利用外生特征（电力需求预测的关键）的能力仍不明确。本文在新加坡和澳大利亚电力市场的小时和每日粒度上，针对能够对跨通道相关性进行建模的基础模型，评估了其相对于具有可逆实例归一化的基线LSTM的性能。我们系统地评估了MOIRAI、MOMENT、TinyTimeMixers、ChronosX和Chronos-2在三种特征配置下的表现：所有特征、选定特征和仅目标特征。研究结果表明，有效性差异很大：虽然Chronos-2在基础模型中实现了最佳性能（在零样本设置中），但在新加坡的稳定气候中，简单的基线模型通常优于所有基础模型，尤其是在短期范围内。模型架构至关重要，协同架构实现（TTM的通道混合、Chronos-2的分组注意力）始终能利用外生特征，而其他方法则显示出不一致的优势。地理环境同样重要，基础模型主要在多变的气候中表现出优势。这些结果挑战了关于通用基础模型优越性的假设，并强调了对领域特定模型的需求，特别是在能源领域。

🔬 方法详解

问题定义：论文旨在解决时间序列基础模型在电力需求预测中对外生变量利用不足的问题。现有方法，特别是通用时间序列模型，在处理特定领域（如电力需求预测）时，可能无法有效利用领域知识和外生变量，导致预测精度下降。此外，不同地理环境和时间粒度下，模型性能的稳定性也是一个挑战。

核心思路：核心思路是通过系统性的实验评估，分析不同时间序列基础模型在不同外生变量配置、不同地理环境和不同时间粒度下的电力需求预测性能。通过对比分析，揭示哪些模型架构更擅长利用外生变量，以及哪些环境因素会影响模型的性能。从而为选择合适的模型和优化模型设计提供指导。

技术框架：论文采用实证研究的方法，主要框架包括：1) 选择具有代表性的时间序列基础模型（MOIRAI、MOMENT、TinyTimeMixers、ChronosX、Chronos-2）和基线模型（LSTM）。2) 在新加坡和澳大利亚的电力市场数据集上进行实验，数据集包含小时和每日粒度的数据。3) 设计三种特征配置：所有特征、选定特征和仅目标特征。4) 使用合适的评估指标（如RMSE、MAE等）评估模型在不同配置下的预测性能。5) 对实验结果进行统计分析和对比，得出结论。

关键创新：论文的关键创新在于：1) 系统性地评估了多个时间序列基础模型在电力需求预测中的性能，填补了该领域的研究空白。2) 揭示了模型架构和地理环境对模型性能的重要影响，挑战了通用基础模型优越性的假设。3) 提出了领域特定模型在能源领域的重要性，为未来的研究方向提供了指导。

关键设计：论文的关键设计包括：1) 选择具有代表性的时间序列基础模型，覆盖了不同的模型架构和设计思想。2) 使用真实世界的电力市场数据集，保证了实验结果的可靠性和实用性。3) 设计了三种特征配置，可以系统地评估模型对外生变量的利用能力。4) 采用合适的评估指标，可以客观地评价模型的预测性能。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果表明，Chronos-2在零样本设置下表现最佳，但在新加坡的稳定气候中，简单的LSTM基线模型在短期预测中通常优于所有基础模型。模型架构（如TTM的通道混合、Chronos-2的分组注意力）对利用外生特征至关重要。地理环境也影响模型性能，基础模型主要在多变气候中表现出优势。

🎯 应用场景

该研究成果可应用于电力系统的需求侧管理、智能电网的优化运行、能源政策的制定等方面。通过选择合适的时间序列模型并有效利用外生变量，可以提高电力需求预测的准确性，从而降低能源浪费、提高能源利用效率、保障电力系统的稳定运行。未来，该研究可以扩展到其他能源领域，如天然气、石油等。

📄 摘要（原文）

Time-series foundation models have emerged as a new paradigm for forecasting, yet their ability to effectively leverage exogenous features -- critical for electricity demand forecasting -- remains unclear. This paper empirically evaluates foundation models capable of modeling cross-channel correlations against a baseline LSTM with reversible instance normalization across Singaporean and Australian electricity markets at hourly and daily granularities. We systematically assess MOIRAI, MOMENT, TinyTimeMixers, ChronosX, and Chronos-2 under three feature configurations: all features, selected features, and target-only. Our findings reveal highly variable effectiveness: while Chronos-2 achieves the best performance among foundation models (in zero-shot settings), the simple baseline frequently outperforms all foundation models in Singapore's stable climate, particularly for short-term horizons. Model architecture proves critical, with synergistic architectural implementations (TTM's channel-mixing, Chronos-2's grouped attention) consistently leveraging exogenous features, while other approaches show inconsistent benefits. Geographic context emerges as equally important, with foundation models demonstrating advantages primarily in variable climates. These results challenge assumptions about universal foundation model superiority and highlight the need for domain-specific models, specifically in the energy domain.