
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于分数阶积分功能自回归的电力现货价格预测长记忆功能时间序列建模
《Scientific Reports》:Long-memory functional time series modeling for electricity spot price forecasting using fractionally integrated functional autoregression
【字体: 大 中 小 】 时间:2026年08月28日 来源:Scientific Reports 4.9
编辑推荐:
摘要研究发现电力现货价格具有高度长程依赖性,其自相关函数呈双曲衰减而非几何衰减,这对传统的函数时间序列预测模型提出了挑战。在现有的混合预测框架中,日内随机部分通常由一阶函数自回归 (FAR(1)) 模型进行建模,这些模型具有短记忆结构,无法充分捕捉时间依赖性。为了克服这一局限
研究发现电力现货价格具有高度长程依赖性,其自相关函数呈双曲衰减而非几何衰减,这对传统的函数时间序列预测模型提出了挑战。在现有的混合预测框架中,日内随机部分通常由一阶函数自回归 (FAR(1)) 模型进行建模,这些模型具有短记忆结构,无法充分捕捉时间依赖性。为了克服这一局限性,我们引入了一种新的预测模型,即分数积分函数自回归模型,FFAR(d),该模型将长记忆动态引入函数自回归中。提出的方法论是估计降维后保留的函数主成分得分的分数差分参数,用短记忆自回归对分数差分序列进行建模,并使用分数积分获得原始序列的预测值。该框架可以轻松地结合基于广义加性模型 (GAM) 的外生变量去季节化流程,从而创建扩展的 FFARX(d) 模型。为了使基于更充分信息的估计更加可靠,我们检测并校正了 Geweke–Porter–Hudak 估计量的小样本偏差,开发了记忆参数的渐近推断方法,并使用残差白噪声检验来评估模型的适用性。在使用具有已知长记忆特性的合成函数电力价格进行的广泛模拟研究中,局部 Whittle 估计量被证明具有良好的恢复分数记忆参数的能力,且 FFAR(d) 和 FFARX(d) 在各种预测视界下始终优于传统的 FAR(1)、FARX(1)、季节性基准模型以及函数神经网络方法。改进效果通过基于滚动起点及相应的 RMSE、MAE、MASE、sMAPE、预测区间覆盖率和 CRPS 的评估得到了证实,统计显著的增益由配对假设检验所证实。所提出框架的鲁棒性和效率通过额外的敏感性分析、消融实验和计算复杂度评估得到了进一步验证。尽管实证验证仍受限于缺乏公开的长期小时级电力价格数据库,但提出的 FFAR(d) 方法论为建模函数时间序列中的持久依赖性提供了一种严格且实际可行的方法,并且是能源市场及其他复杂函数数据环境中长记忆预测应用的一个有前景的起点。