arXiv · ML· Faraz Shamim (KIST Medical College and Teaching Hospital, Nepal), Faris Shamim (OTH Regensburg)·· 2026-10-07AI 评分28
数据延迟与时变分布偏移下的德国再调度机器学习预测
Machine Learning for German Redispatch Forecasting under Data Delays and Temporal Distribution Shift
AI 导读
基于2021-2024年德国电网数据,LightGBM模型在7天延迟约束下取得0.7952的nWIS,优于季节性基准9.0%。 滚动校准将nWIS提升至0.7767,零审查Transformer达到0.8161。 聚合预测在极端拥堵事件中仅61.91%覆盖,暴露了可靠性局限。
来源:arXiv · ML · arxiv.org