State-Space Models Win the IEEE DataPort Competition on Post-covid Day-ahead Electricity Load Forecasting
状态空间模型赢得疫情后日前电力负荷预测竞赛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：摘要直接研究日前负荷预测，并通过状态空间时间序列模型适应非平稳变化。
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
状态空间模型赢得疫情后日前电力负荷预测竞赛
- 研究问题
- 论文研究疫情冲击等不稳定时期的日前电力需求预测，关注如何兼顾对外生变量复杂关系的学习和对非平稳环境的动态适应。
- 方法与思路
- 作者利用状态空间模型改造统计及机器学习预测方法，并结合调整状态空间模型方差的算法，重点介绍竞赛最终采用的预测流程。
- 材料陈述的贡献
- 摘要介绍获胜策略，作者称其兼顾动态适应和解释变量建模，并讨论逐日预测；摘要也明确评价期间存在试错与算法迭代。
- 阅读关注点
- 阅读全文时应核对状态方程、方差更新算法与信息可得时点，尤其检查评价期间的调参与最终模型选择如何影响预测表现的解释。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要仅报告最终版本，未提供完整误差比较，竞赛获胜不代表跨环境普遍占优。
原文摘要
We present the winning strategy of an electricity demand forecasting competition. This competition was organized to design new forecasting methods for unstable periods such as the one starting in Spring 2020. We rely on state-space models to adapt standard statistical and machine learning models. We claim that it achieves the right compromise between two extremes. On the one hand, purely time-series models such as autoregressives are adaptive in essence but fail to capture dependence to exogenous variables. On the other hand, machine learning methods allow to learn complex dependence to explanatory variables on a historical data set but fail to forecast non-stationary data accurately. The evaluation period of the competition was the occasion of trial and error and we put the focus on the final forecasting procedure. In particular, it was at the same time that a recent algorithm was designed to adapt the variances of a state-space model and we present the results of the final version only. We discuss day-today predictions nonetheless.