FETS Benchmark: Foundation Models Enable Scalable and Generalizable Energy Time Series Forecasting
작성자
카테고리
Empty
저자
Marco Obermeier, Marco Pruckner, Florian Haselbeck, Andreas Zeiselmair
💡 개요
본 논문은 기후 중립 에너지 시스템 전환에 필수적인 에너지 시계열 예측의 기존 문제점(데이터 의존성, 확장성 부족, 높은 개발/유지보수 노력)을 해결하기 위해 파운데이션 모델을 활용하는 FETS 벤치마크를 제안합니다. 54개의 데이터셋과 9가지 데이터 범주를 바탕으로 다양한 예측 상황에서 파운데이션 모델과 기존 머신러닝 모델의 성능을 비교 분석합니다. 연구 결과, 파운데이션 모델이 특히 예측 변수 정보를 활용한 제로샷(zero-shot) 예측에서 우수한 성능을 보였으며, 개발 및 유지보수 부담을 줄이는 확장 가능하고 일반화 가능한 에너지 예측 솔루션으로 부상했습니다.
🔑 시사점 및 한계
•
파운데이션 모델은 적은 데이터로도 높은 예측 정확도를 달성하며, 기존 태스크별 학습 모델보다 뛰어난 일반화 성능을 보여 에너지 시계열 예측 분야의 혁신을 이끌 잠재력을 가지고 있습니다.
•
예측 성능은 데이터의 스펙트럼 엔트로피, 컨텍스트 길이, 집계 수준과 밀접한 상관관계를 보이며, 이는 모델 선택 및 데이터 전처리에 대한 중요한 통찰을 제공합니다.
•
본 벤치마크는 에너지 예측의 다양한 사용 사례를 체계적으로 분류하고 다양한 데이터셋을 포함하지만, 실제 산업 현장에서 요구되는 더욱 복잡하고 동적인 예측 시나리오에 대한 평가가 추가적으로 필요합니다.
