TimesFM 3.0 снизил ошибку прогноза энергопотребления вуза на 43%

Прогноз суточной нагрузки нужен операторам зданий, чтобы заранее планировать отопление, вентиляцию и другие службы. Авторы новой работы на arXiv сравнили на данных университетского здания статистические модели, классическое машинное обучение, рекуррентную сеть и предобученную модель TimesFM. Лучшие общие ошибки показала TimesFM 3.0 с ковариатами: средняя абсолютная ошибка (MAE) примерно на 43% ниже, чем у недельного сезонного наивного прогноза. Но XGBoost не сильно отстал, а парные дневные сравнения не подтвердили чёткого преимущества TimesFM по MAE.

Как устроен бенчмарк

Авторы сопоставляли модели не только по точности. В сравнение вошли ещё входные данные, которые нужны в момент прогноза, потребность в локальном обучении и вычислительные затраты. Для оператора это не академические детали: от них зависит, сколько инженерной работы потребует внедрение.

Валидация хронологическая, то есть модель не видит будущего при обучении. Все конфигурации оценивали на одних и тех же 57 тестовых днях, а результаты разбили по рабочим дням, выходным и праздникам. Праздники для таких зданий самый неудобный режим: нагрузка резко отличается от обычной.

Одна оговорка касается погоды. Ковариаты брали из ретроспективных наблюдений, а не из реальных прогнозов, которые оператор получил бы накануне. Ошибки погодного прогноза в эксперимент не попали.

Что показали цифры

• TimesFM 3.0 с ковариатами: наименьшие общие ошибки, MAE примерно на 43% ниже недельного сезонного наива.
• XGBoost: остаётся конкурентным. По парным дневным сравнениям явного преимущества TimesFM по MAE нет.
• TimesFM только на истории потребления: тоже сильный результат, без погоды и других входов.
• LSTM: обучается дольше и не превзошла ни TimesFM, ни XGBoost.
• Обучение: TimesFM не требует дообучения весов под здание, XGBoost быстро обучается и выдаёт прогноз локально.

Отдельно про ковариаты. Для TimesFM они улучшают прогноз на праздники, но слегка ухудшают его для будней и выходных. В сумме общий MAE почти не меняется. Дополнительные входы работают как точечный инструмент для редкого режима, а не как универсальное улучшение.

Пробная историческая оценка показала сезонные колебания качества. Сравнение источников погодных данных дало лишь небольшие изменения точности выбранной конфигурации TimesFM. Выбор поставщика погоды, по крайней мере здесь, второстепенен.

Как выбирать модель для здания

Авторы делают осторожный вывод: предобученная TimesFM годится как сильная стартовая база для этого здания, а XGBoost как конкурентная альтернатива, которую подгоняют локально. Результат относится к одному зданию и 57 тестовым дням, поэтому переносить его на другие объекты без проверки не стоит.

Практическая схема выглядит так. Если нужно быстро получить рабочий прогноз без цикла обучения, начинают с TimesFM только на истории потребления. Если команда готова поддерживать локальную модель и ценит быстрый цикл обучения и инференса, XGBoost остаётся разумным выбором. LSTM в этом сравнении не дала причин платить за более долгую подгонку.

Ковариаты добавляют, когда для здания критичны праздничные дни и оправдана подготовка погодных данных. Если важнее будни и выходные, прирост от них сомнителен. Перед внедрением стоит повторить тест с реальными погодными прогнозами вместо ретроспективных наблюдений. Именно в этом месте результаты работы ближе всего к границе применимости.