電力価格予測における時系列基盤モデルの評価：汚染リスク、分布シフト、共変量依存性

AI（人工知能）の進化は目覚ましいですが、新しい技術がどんな場面で本当に役立つのか、そしてどこまで得意なのかを見極めるのは、私たちにとって大切な作業です。特に、AIが「予測」する力は、私たちの生活やビジネスに直結するので注目度が高い分野と言えます。

今回ご紹介する研究は、AIの「時系列基盤モデル（TSFM）」という、過去のデータから未来の動きを予測するのが得意なAIについて、電力価格という、とても変動しやすく予測が難しいテーマで、その実力をじっくり検証したものです。電力価格は、天気（太陽光発電や風力発電の量に影響）、経済の動き、さらには国際情勢など、様々な要因が複雑に絡み合って刻々と変化します。こうした「非定常」と呼ばれる、予測が難しい状況でAIがどれだけうまく未来を当てられるのか、これまであまり詳しく調べられてきませんでした。

研究チームは、電力価格予測の難しさに着目し、AIの公平な評価ができるように、2つの新しい評価方法（データセットベンチマーキングフレームワーク）を開発しました。これは、AIの予測が「汚染リスク」、つまり予測が大きく外れるリスクを減らし、より信頼できる結果を出すための工夫です。そして、AIがどれだけ正確に価格を予測できるか、特に急激な価格変動や、確率的な予測（「〇〇円くらいになりそう」といった幅を持たせた予測）まで、多角的に分析しました。

その結果、TSFMは、ゼロから学習する（ゼロショット予測）という、学習データが少ない状況でも、かなり良い成績を収めることが分かりました。既存の一般的な予測方法よりも優れている場面も多く、AIの汎用性の高さがうかがえます。しかし、電力価格予測のような、外部の様々な情報（共変量）に大きく影響される場面では、AIの予測能力は、その情報がどれだけ手に入るかに大きく左右されることも明らかになりました。つまり、AIは万能ではなく、予測したい対象の特性に合わせた情報が不可欠だということです。さらに、電力価格予測のために特別に作られた「ドメイン固有手法」と呼ばれる、その分野に特化したAI手法と比較すると、TSFMが必ずしも常に勝るわけではない、という現実も見えてきました。

ところが、ここで興味深い発見がありました。TSFMと、電力価格予測に特化したドメイン固有手法を組み合わせた「アンサンブル」という方法、つまり、それぞれの得意な部分を活かして一緒に予測させたところ、かなりの精度向上が見られたのです。これは、異なるアプローチのAIが、それぞれ違った視点から予測に役立つ情報（補完的な予測情報）を捉えていることを示唆しています。この組み合わせは、今後の電力価格予測の精度をさらに高める大きな可能性を秘めていると言えるでしょう。