Stealing Accuracy: Predicting Day-ahead Electricity Prices with Temporal Hierarchy Forecasting (THieF)
利用时间层级预测提高日前电价预测精度：THieFAI 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：摘要的直接目标是日前电价预测，并比较多个模型与时间聚合层级的样本外准确度，因此归入预测与即时预测方向。
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…
利用时间层级预测提高日前电价预测精度：THieF
- 研究问题
- 如何协调小时电价与二至二十四小时区块电价的预测，使不同时间聚合层级的日前预测更准确，并控制额外计算成本？
- 方法与思路
- 作者引入时间层级预测协调，在德国和西班牙电力市场的四年测试期内，比较线性回归、神经网络、提升树及预训练模型。
- 材料陈述的贡献
- 摘要报告预测协调在各层级带来最高约百分之十三的准确度改善，并称结果跨模型和测试期保持一致，计算成本与仅预测小时价格相近。
- 阅读关注点
- 应核对协调算法、误差度量、区块产品定义、训练与测试划分，以及最高改善幅度的对应情形和计算成本比较口径。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或被期刊接收；摘要未列具体损失函数与检验结果，改善不能直接外推至其他市场。
原文摘要
We introduce the concept of temporal hierarchy forecasting (THieF) in predicting day-ahead electricity prices and show that reconciling forecasts for hourly products and 2- to 24-hour blocks can significantly (up to 13%) improve accuracy at all levels. These results remain consistent throughout a challenging 4-year test period (2021-2024) in the German and Spanish power markets and across model architectures, including linear regression, shallow feedforward neural networks, gradient-boosted decision trees, and a state-of-the-art, pretrained transformer. Given that (i) trading of block products is becoming more common and (ii) the computational cost of reconciliation is comparable to that of predicting hourly prices alone, we recommend using it in daily forecasting practice.