Online Multivariate Regularized Distributional Regression for High-dimensional Probabilistic Electricity Price Forecasting
用于高维概率电价预测的在线多变量正则化分布回归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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要的核心是日前电价的多变量概率预测与在线更新。
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…
关注这篇论文的作者
用于高维概率电价预测的在线多变量正则化分布回归
- 研究问题
- 如何在高维协变量和实时计算约束下，联合预测日前市场连续二十四小时电价的条件分布，并兼顾概率校准与计算成本？
- 方法与思路
- 作者结合多变量分布回归、在线坐标下降与 LASSO 型正则化，同时估计均值、方差和依赖结构，并沿复杂度路径提前停止。
- 材料陈述的贡献
- 摘要称德国日前市场案例得到校准良好的联合预测区间及多种适当评分下的稳健表现，并比较在线和批量估计的精度与成本。
- 阅读关注点
- 应核对联合分布与依赖结构的参数化、正则化及提前停止选择、预测评估的时间划分，以及校准检验与计算成本的比较基准。
- 阅读边界
- 来源为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出具体评分和运行时间，单一市场案例不能确认跨市场优势。
原文摘要
Probabilistic electricity price forecasting (PEPF) is vital for short-term electricity markets, yet the multivariate nature of day-ahead prices - spanning 24 consecutive hours - remains underexplored. At the same time, real-time decision-making requires methods that are both accurate and fast. We introduce an online algorithm for multivariate distributional regression models, allowing efficient modeling of the conditional means, variances, and dependence structures of electricity prices. The approach combines multivariate distributional regression with online coordinate descent and LASSO-type regularization (absolute shrinkage and selection operator), enabling scalable estimation in high-dimensional covariate spaces. Additionally, we propose a regularized estimation path over increasingly complex dependence structures, allowing for early stopping and avoiding overfitting. In a case study using historical data from the German day-ahead market, the proposed method yields interpretable and well-calibrated joint prediction intervals for the 24-dimensional price distribution and provides robust performance across a range of proper scoring rules. The results underscore the importance of modeling the dependence structure of electricity prices. Furthermore, we analyze the trade-off between predictive accuracy and computational costs for batch and online estimation and provide a high-performing open-source Python implementation in the ondil package.