A Comparison of High-Dimensional Variable Selection Procedures for Electricity Spot Price Forecasting
Diese Studie zeigt, dass die kürzlich vorgeschlagene Boosting Multiple Testing (BMT)-Methode eine Prognosegenauigkeit erreicht, die mit populären Shrinkage-Techniken wie LASSO und Elastic Net für Strom-Spotpreise vergleichbar ist, während sie gleichzeitig signifikant weniger Variablen nutzt und somit eine interpretierbarere und sparsamere Alternative bietet, ohne die Vorhersageleistung zu opfern.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen das Wetter vorherzusagen, aber anstatt nur auf Wolken und Wind zu schauen, besitzen Sie eine Million verschiedene Sensoren, die alles messen – von der Luftfeuchtigkeit in einem einzelnen Blatt bis hin zur Temperatur eines Felsens drei Städte weiter. Dies ist die Welt der „hochdimensionalen“ Daten, in der die Anzahl der Hinweise die Anzahl der Tage, an denen Sie beobachtet haben, bei weitem übersteigt. In der chaotischen Welt der Elektrizitätsmärkte driften die Preise nicht einfach nur dahin; sie springen, schießen in die Höhe und stürzen ab wie eine Achterbahn, die von einem nervösen Eichhörnchen gesteuert wird. Um diese Preise vorherzusagen, müssen Händler und Wissenschaftler einen Berg potenzieller Hinweise durchsieben – das gestrige Wetter, die Brennstoffkosten, wie viel Wind weht und sogar, welcher Wochentag gerade ist. Die große Frage lautet: Welche dieser Millionen Hinweise sind tatsächlich wichtig und welche sind nur Rauschen? Wenn Sie die falschen auswählen, wird Ihr Vorhersagemodell zu einem aufgeblähten, verwirrten Durcheinander, das schwer zu verstehen und langsam im Betrieb ist. Wenn Sie die richtigen auswählen, erhalten Sie ein schlankes, scharfes Werkzeug, das die Zukunft klar sehen kann. Dies ist die Herausforderung der „Variablenselektion“: das Finden der wenigen goldenen Nadeln im Heuhaufen der Daten.
Dieses Paper ist ein Wettrennen zwischen verschiedenen Methoden, um genau diese Nadeln zu finden, speziell für die Vorhersage von Strom-Spotpreisen. Die Autoren führten ein großes Experiment mit Daten aus sechs großen europäischen Elektrizitätsmärkten durch, darunter Deutschland, Frankreich, Spanien und die nordischen Länder. Sie testeten sechs verschiedene „Detektive“, um zu sehen, welcher den besten Vorhersagemodell bauen könnte. Zwei dieser Detektive sind die alten Favoriten LASSO und Elastic Net, die wie übereifrige Bibliothekare sind: Sie sind großartig darin, die richtigen Bücher zu finden, neigen aber dazu, die ganze Bibliothek im Regal zu behalten, nur für den Fall, was dazu führt, dass die Modelle riesig und schwer lesbar sind. Die anderen vier Detektive sind neuere, modernere Ansätze, einschließlich einer Methode namens Boosting Multiple Testing (BMT).
Die Ergebnisse dieses Rennens waren überraschend. Die alten Favoriten, LASSO und Elastic Net, machten einen guten Job bei der genauen Vorhersage der Preise, waren aber unglaublich verschwenderisch. Sie behielten hunderte von Variablen in ihren Modellen, was sie klobig und schwer interpretierbar machte. In der Tat behielten sie in einigen Märkten über 100 Variablen. Die neueren Methoden, wie der „One Covariate at a Time“ (OCMT)-Ansatz, waren sogar noch schlechter, da sie fast 300 Variablen auswählten und es nicht schafften, die Genauigkeit zu verbessern.
Der Star der Show war jedoch BMT. Diese Methode agierte wie ein Meisterkoch, der genau weiß, welche drei Gewürze ein Gericht perfekt machen, und den Rest des Vorratsschranks ignoriert. BMT erreichte das gleiche hohe Niveau an Genauigkeit wie die Schwergewichte LASSO und Elastic Net, tat dies jedoch mit weniger als einem Zehntel der Variablen. Im nordischen Markt Norwegen (NO1) beispielsweise baute BMT ein Modell mit durchschnittlich nur 4,5 Variablen, während LASso und Elastic Net über 100 verwendeten. Trotz dieser massiven Reduzierung der Größe waren die Vorhersagen von BMT genauso scharf. Tatsächlich war BMT in einigen Märkten statistisch besser als die anderen.
Das Paper untersuchte auch, wie schnell diese Methoden arbeiteten. Da sich die Strompreise jede Stunde ändern, müssen Modelle täglich neu berechnet werden. Die „klobigen“ Methoden benötigten zwischen 15 und über 100 Sekunden für die Neuberechnung, während BMT und sein Cousin OCMT die Aufgabe in nur 2 bis 7 Sekunden erledigten. Das bedeutet, dass BMT nicht nur ein effizienterer Detektiv ist, sondern auch ein viel schnellerer.
Die Autoren kommen zu dem Schluss, dass der weit verbreitete Glaube – dass man ein riesiges, komplexes Modell benötigt, um genaue Strompreisprognosen zu erstellen – wahrscheinlich falsch ist. Sie legen nahe, dass die „Überparametrisierung“ (die Verwendung zu vieler Variablen), die oft mit populären Methoden assoziiert wird, kein notwendiger Preis für Genauigkeit ist. Stattdessen bietet eine Methode wie BMT einen Weg, das Beste aus beiden Welten zu erhalten: ein Modell, das unglaublich genau, leicht zu verstehen und blitzschnell im Betrieb ist. Dies deutet darauf an, dass es für Händler und Netzbetreiber in der Zukunft der Stromprognose nicht darum gehen könnte, mehr Daten zu sammeln, sondern darum, klüger darin zu werden, die richtigen Daten auszuwählen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.