Chronos-2、GTT、XGBoost 在光伏预测任务中的对比

实验设置

使用相同的训练/测试数据集对四种模型进行公平对比。

数据集

• 训练：2023 全年数据（8760 个时间点）
• 测试：2024 年 1 月数据（744 个时间点）
• 特征：历史功率 + 气象协变量

模型对比

Chronos-2

Amazon 发布的预训练时序大模型，零样本能力出色：

from chronos import ChronosPipeline
pipeline = ChronosPipeline.from_pretrained("amazon/chronos-t5-large")
forecast = pipeline.predict(context=history, prediction_length=24)

GTT (General Time Transformer)

基于 Transformer 的时序模型，需要微调：

model = GTTModel(input_dim=10, d_model=256, n_heads=8, n_layers=4)
trainer.fit(model, train_loader)

结果总结

Chronos-2 在零样本场景下表现最佳（MAE 2.31），微调后 XGBoost 在短期预测（<6h）任务上更有优势。融合模型结合了预训练模型的泛化能力和 GBDT 的局部拟合能力，最终 MAE 降至 1.98。