💻 computer science

Hybrid Kolmogorov-Arnold Network and XGBoost Framework for Week-Ahead Price Forecasting in Australia's National Electricity Market

本論文は、オーストラリアの全国電力市場における1 週間先電力価格予測のために、グローバルな非線形表現と局所的な頑健性を効果的に組み合わせることで市場の高い変動性と再生可能エネルギー由来の不確実性に対処し、ベンチマークモデルを上回る精度を実現するハイブリッド・コルモゴロフ・アルノルド・ネットワークと XGBoost の枠組みを提案する。

原著者： Houxuan Zhou, Sriram Prasad, Chenghao Huang, Jiajie Feng, Hao Wang

公開日 2026-05-22

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Houxuan Zhou, Sriram Prasad, Chenghao Huang, Jiajie Feng, Hao Wang

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

オーストラリアの国立電力市場（NEM）における来週の電気料金を予測しようとしていると想像してください。これは天気を予測することとは異なり、突発的な嵐の間のライドシェアの料金を推測することに似ています。価格は激しく変動し、予測不能に上下に跳ね、太陽光発電を停止させる急な雲の覆いや需要を急増させる熱波などの要因により、時には狂ったほど高い水準まで急騰することもあります。

本論文は、この問題を解決するための新しい「スーパーチーム」アプローチを提示します。単一の手法に依存するのではなく、研究者たちは非常に異なる 2 種類の AI モデルを組み合わせ、単一のモデルが単独で達成できるよりも、これらの混沌とした価格の予測に優れたハイブリッドシステムを構築しました。

以下は、論文がその解決策を単純な概念に分解して説明するものです。

問題：電気料金の「荒れた航海」

オーストラリアの電気料金は悪名高く変動しやすいことで知られています。その価格は以下の要因に影響されます。

再生可能エネルギー: 風力と太陽光は優れていますが、予測不可能です。風が止まれば、価格は急騰する可能性があります。
需要: 暑くなると、誰もがエアコンをオンにし、価格が上昇します。
時間: 価格は 5 分ごとに変わります。

研究者たちは、1 週間先の価格を予測したいと考えていました。これは明日の価格を予測するよりも困難です。なぜなら、長期的な傾向と、突発的な短期的なショックの両方を考慮しなければならないからです。

解決策：2 つのモデルによる「夢のチーム」

著者たちは、2 つの異なる AI の「個性」を組み合わせたハイブリッドフレームワークを構築しました。

1. 「全体像」の芸術家：KAN（コルモゴロフ・アルノルド・ネットワーク）

役割: KAN を滑らかで芸術的な画家だと考えてください。これはデータの長期的な傾向と、滑らかで流れるようなパターンを把握することに非常に優れています。時間が経過するにつれて価格が一般的にどのように動くかの「形状」を理解します。
弱点: 急激でギザギザしたスパイクや奇妙な外れ値には少し混乱する可能性があります。滑らかな曲線を好みます。

2. 「詳細重視」の探偵：XGBoost

役割: XGBoost を決定木を使用する鋭い目を持つ探偵だと考えてください。これは急激な変化、局所的な不規則性、極端なスパイクを見つけるのに優れています。「ここ、この特定の出来事のために価格が跳ね上がった」と言うのが得意です。
弱点: 大きく滑らかな長期的な全体像を把握するのが苦手な場合があります。即座の詳細に集中しすぎるあまり、全体の流れを見逃す可能性があります。

ハイブリッドの魔法：KAN + XGBoost
研究者たちは、これら 2 つを一緒に働かせれば、互いの盲点をカバーできることに気づきました。

比喩: 嵐の中を船を航行させようとしていると想像してください。海流を理解する船長（KAN）と、突然の岩や波を見つける見張り役（XGBoost）が必要です。
連携方法: KAN モデルが価格の一般的な経路を予測します。次に、XGBoost モデルが KAN モデルが犯した「誤り」や「残差」を見て、特に急激な価格スパイクに対してそれらを修正します。
結果: 彼らは予測を 50/50 の比率（同程度の重み）で組み合わせ、森と木の両方を見るモデルを構築しました。

実験：どのようにテストされたか

データ: 2024 年 4 月から 2025 年 3 月までの、オーストラリアの 5 つの主要地域（NSW、VIC、QLD、SA、TAS）からの実際の電気データを使用しました。
設定: 「拡張ウィンドウ」戦略を使用しました。運転を学ぶことを想像してください。1 週間の練習から始め、次に 2 週間、そして 3 週間と進み、常に過去の経験すべてを使用して次の週を予測します。
競合: 新しいハイブリッドチームを以下のモデルと対決させました。
- 古典的な統計モデル（SARIMAX）。
- 人気のある深層学習モデル（LSTM）。
- 単独で使用された 2 つのモデル（KAN のみ、または XGBoost のみ）。
- 「ナイーブ」な基準（現在の価格と同じであると推測するだけ）。

結果：勝者は誰か？

ハイブリッドのKAN+XGBoostチームが圧勝しました。

精度: XGBoost 単独の使用と比較して平均誤差（MAE）を約12%削減し、「ナイーブ」な推測と比較して50% 以上削減しました。
一貫性: ニューサウスウェールズ州（NSW）のような最も変動の激しい地域であっても、オーストラリアの 5 つの州すべてで良好に機能しました。
極端な出来事: 大規模な価格スパイクの予測は誰にとっても難しいですが、ハイブリッドモデルは他の手法と比較して、これらの極端な出来事を捉えるのに最も優れていました。

なぜこれが重要なのか（論文によると）

論文は、オーストラリアの電力網のような極めて混沌とした市場では、単一の種類の AI に頼ることはできないと結論付けています。

教訓: 滑らかで長期的なパターンを理解するモデル（KAN）と、突発的でギザギザした変化を処理するモデル（XGBoost）を組み合わせることで、はるかに堅牢で信頼性の高い予測が得られます。
限界: 論文は、これは大きな改善である一方で、絶対的な最高価格スパイクの予測は依然として困難であると認めています。それらは非常に稀で混沌としているためです。また、このモデルは、それ自体が予測である正確な気象データと需要データに依存しています。

要約すると、この論文は、電気料金の未来を予測する最善の方法は、単一の「最も賢い」AI を見つけることではなく、「滑らかな思考者」と「鋭い探偵」が協力するチームを構築することであると主張しています。

技術サマリー：オーストラリアの NEM における 1 週間先価格予測のためのハイブリッド KAN+XGBoost フレームワーク

問題定義
正確な電力価格予測（EPF）は、現代のエネルギーシステムにおける運用計画とリスク管理にとって不可欠である。しかし、高い変動性、非線形ダイナミクス、頻発する極端な価格スパイクにより、予測は依然として困難である。これらの問題は、オーストラリアの国立電力市場（NEM）において、断続的な供給と複雑な非線形価格ダイナミクスをもたらす高い再生可能エネルギーの浸透率によってさらに悪化している。1 日前予測は十分に研究されているが、入札、発電スケジューリング、リスクヘッジにとって価値があるにもかかわらず、1 週間先の時間別予測は未だ十分に探求されていない。既存のアプローチはしばしばトレードオフに直面する：統計モデル（例：SARIMAX）は非線形性やスパイクに苦しみ、深層学習モデル（例：LSTM）は長期的な視野においてノイズに敏感であり、樹木ベースのモデル（例：XGBoost）は滑らかなグローバル依存関係を捉える能力が欠けている可能性がある。

手法
本論文は、長期的なグローバル構造と短期的な局所的な不規則性の両方を捉えるという二重の課題に対処するため、コルモゴロフ・アルノルドネットワーク（KAN）と XGBoost を統合したハイブリッドフレームワークを提案する。

問題定式化: このタスクは、336 時間（2 週間）の過去の価格と外生変数（ $z_t$ ）の入力ウィンドウを用いて、168 時間（1 週間）の期間における電力価格（ $\hat{y}_{t+1:t+H}$ ）を予測するものである。外生変数には需要、再生可能エネルギー発電予測、気象データが含まれる。
データ準備: 2024 年 4 月から 2025 年 3 月までの、5 つの NEM 地域（NSW、VIC、QLD、SA、TAS）にわたるデータが時間分解能に集約された。特徴量には、ラグ付き価格、総需要、ネット相互接続、太陽光/風力予測、気温が含まれる。目標変数の分散を安定化させるため、逆双曲正弦変換が適用された。
ハイブリッドアーキテクチャ:
- KAN コンポーネント: コルモゴロフ・アルノルド表現定理に基づき、KAN はグローバルな非線形構造と滑らかな時間的パターンを近似するために単変量変換を学習する。これは、2 つの隠れ層を備え、グリッドサイズ 3、次数 3 のスプラインベースの学習可能活性化関数を利用する。
- XGBoost コンポーネント: 勾配ブースティングフレームワークであり、ニューラルネットワークが見逃す可能性のある局所的なパターン、急激な変化、および残差偏差を捉えるように訓練される。
- アンサンブル戦略: 最終予測は重み付き組み合わせである： $\hat{y} = \alpha \hat{y}_{KAN} + (1-\alpha) \hat{y}_{XGB}$ 。アブレーション研究により、すべての州で最良の検証性能をもたらすのは等しい重み付け（ $\alpha = 0.5$ ）であることが決定された。
実験設定: 2025 年 3 月の 4 つの連続する週次テストセットを用いて、拡張ウィンドウ評価戦略が採用された。モデルは予測期間までの利用可能なすべての歴史データを用いて訓練された。ベースラインには、Naive、SARIMAX、LSTM、単独の KAN、単独の XGBoost が含まれた。

主要な貢献

新規ハイブリッドフレームワーク: 本論文は、KAN+XGBoost フレームワークを導入し、予測タスクを機能的に分解する：KAN はグローバルな非線形依存関係を処理し、XGBoost は局所的な不規則性と外れ値をモデル化する。
1 週間先予測への焦点: この研究は特に未探索の 1 週間先の予測視野をターゲットとし、標準的な 1 日前モデルと比較して市場参加者により長いリードタイムを提供する。
包括的な評価: 5 つの多様な NEM 地域にわたる広範な実験が行われ、変動する市場条件および変動性レジーム下でのモデルの汎化能力が実証された。

結果
提案された KAN+XGBoost モデルは、複数の指標（MAE、RMSE、rMAE）において、すべてのベンチマーク（SARIMAX、LSTM、単独の KAN、単独の XGBoost、および Naive）を上回った。

全体的な性能: ハイブリッドモデルは MAE 26.17 を達成し、単独の XGBoost（29.49）と比較して約12%、Naive ベースライン（52.50）と比較して50% 以上の削減を実現した。
地域的一貫性: このモデルは 5 つのすべての州で優れた性能を維持した。特に、NSW のような変動性の高い地域では、すべての手法の中で最低の MAE と RMSE を達成した。
極端な事象: 極値理論（EVT）に基づく閾値（0.95 尾部）を使用すると、ハイブリッドモデルは極端な事象の MAE（103.88）で最低となり、他の手法と比較して高価格スパイクを捉える際の堅牢性の向上を示した。
アブレーションの知見: この研究は、バランスの取れた統合（0.5/0.5 の重み付け）が最適であることを確認した。KAN または XGBoost のいずれかへの過度な依存は性能の低下を招いた。単独の KAN は、ノイズに対する感受性により、非常に動的な環境では限界を示し、ハイブリッドアプローチの必要性を裏付けた。

意義と主張
本論文は、ハイブリッド学習戦略が、NEM のような非常に動的な市場における電力価格予測に対して効果的で堅牢な解決策を提供すると主張する。関数表現学習（KAN）と樹木ベースの分割（XGBoost）の相補的な強みを活用することで、このフレームワークは長期的な依存関係と短期的な変動性のモデリングを成功裡にバランスさせた。著者らは、このアプローチが州固有のモデル構成の必要性を減らし、多様な地域市場に対するスケーラブルな解決策を提供すると示唆している。ただし、本論文は控えめに限界を認め、極端な価格スパイクの正確な予測は依然として困難であり、モデルの性能は正確な外生変数（例：気象および需要予測）の利用可能性に依存していることを指摘している。将来の研究として、確率的予測と適応的アンサンブル戦略の探求が提案されている。