Hybrid‑AI: Regression trifft Foundation Models für präzise Strompreisprognosen

Die Strompreis‑Markt‑Daten sind bekannt für ihre extreme Volatilität, Nichtlinearität und Nicht‑Stationarität. Diese Eigenschaften machen genaue Prognosen zu einer großen Herausforderung. Moderne Time‑Series‑Foundation‑Modelle (TSFMs) erfassen zwar sehr gut zeitliche Abhängigkeiten, nutzen jedoch häufig die Kreuzvariablen‑Korrelationen und nicht‑periodischen Muster, die für die Preisvorhersage entscheidend sind. Regression‑Modelle dagegen sind stark darin, Interaktionen zwischen Merkmalen zu erkennen, aber sie können nur auf zukünftig verfügbare Eingaben zurückgreifen und ignorieren wichtige historische Treiber, die zum Zeitpunkt der Vorhersage nicht mehr zugänglich sind.

Um diese Lücke zu schließen, wurde das Konzept „FutureBoosting“ entwickelt. Dabei werden aus einem eingefrorenen TSFM prognostizierte Features generiert und als angereicherte Eingaben in ein nachgelagertes Regressionsmodell eingespeist. Das TSFM liefert damit die Fähigkeit, historische Muster zu modellieren, während das Regressionsmodell die Interaktionen zwischen den Features optimal nutzt. Das Ergebnis ist ein hybrider Ansatz, der die Stärken beider Paradigmen kombiniert.

Die Implementierung erfolgt als leichtgewichtiges, plug‑and‑play‑Framework für die Strompreis‑Vorhersage. In umfangreichen Tests mit realen Marktdaten konnte gezeigt werden, dass FutureBoosting die Fehlerquote (MAE) im Vergleich zu führenden TSFMs und Regressionsbaselines um mehr als 30 % senkt. Diese Performance‑Verbesserung gilt über verschiedene Markt‑Szenarien hinweg.

Durch Ablationsstudien und erklärbare KI‑Methoden lässt sich die Wirkung der prognostizierten Features eindeutig nachweisen und der Entscheidungsprozess des Modells transparent machen. FutureBoosting bietet damit eine robuste, interpretierbare und effektive Lösung für die praktische Marktteilnahme und stellt zugleich einen generellen Rahmen dar, um Regressionsmodelle in vielen Anwendungsfeldern zu verbessern.