An Adaptive Functional Autoregressive Forecast Model to Predict Electricity Price Curves
用于电价曲线预测的自适应函数型自回归模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要围绕函数型自回归动态及电价曲线预测展开，对应时间序列和预测方向；时变算子本身不足以支持结构突变分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
用于电价曲线预测的自适应函数型自回归模型
- 研究问题
- 面对电价日曲线的动态变化，如何构建兼容平稳与非平稳情形的函数型预测模型，并自适应估计随时间变化的自回归算子？
- 方法与思路
- 作者提出带时变算子的自适应函数型自回归模型；平稳情形推导闭式最大似然估计，非平稳情形在局部同质性下自适应估计算子。
- 材料陈述的贡献
- 摘要称建立了两类估计量的理论结果，模拟显示较好的有限样本表现，且加州每日电价曲线预测在所比较方法中准确性更高。
- 阅读关注点
- 阅读时应核对局部同质性的定义、自适应估计的实施方式、理论条件，以及加州电价预测的样本划分、误差指标和比较方法。
- 阅读边界
- 摘要未说明非平稳性的允许范围、理论结论细节或预测误差数值；所述准确性优势仅限摘要中的比较，不能推广到其他市场。
原文摘要
We propose an adaptive functional autoregressive (AFAR) forecast model to predict electricity price curves. With time-varying operators, the AFAR model can be safely used in both stationary and nonstationary situations. A closed-form maximum likelihood (ML) estimator is derived under stationarity. The result is further extended for nonstationarity, where the time-dependent operators are adaptively estimated under local homogeneity. We provide theoretical results of the ML estimator and the adaptive estimator. Simulation study illustrates nice finite sample performance of the AFAR modeling. The AFAR model also exhibits a superior accuracy in the forecast exercise of the California electricity daily price curves compared to several alternatives.