Исследование о прогнозировании потребления электроэнергии с помощью больших языковых моделей представлено на 56-й конференции EBES

4 июля на 56-й международной конференции Eurasia Business and Economics Society (56th EBES Conference), которая прошла в Стамбуле в гибридном формате, младший научный сотрудник Международной лаборатории экономики нематериальных активов Евгения Шенкман представила исследование «Среднесрочное прогнозирование потребления электроэнергии с использованием больших языковых моделей» (Medium-Term Electricity Load Forecasting Using Large Language Models) в соавторстве с Анастасией Киреечевой. Исследование выполнено в рамках проекта РНФ № 25-18-00539 «Сравнительный анализ поведения агентов на основе искусственного интеллекта и реальных индивидов в процессе принятия экономических решений».

56-я конференция EBES проходила со 2 по 4 июля на базе Стамбульского Коммерческого Университета (Istanbul Ticaret University) и объединила исследователей в области экономики, финансов, менеджмента и устойчивого развития. Доклад Евгении Шенкман был представлен в секции «Экономическое развитие, устойчивость и инновации» (Economic Development, Sustainability and Innovation), посвященной современным исследованиям в области экономики и цифровых технологий.

 

Исследование посвящено применению больших языковых моделей для среднесрочного прогнозирования регионального потребления электроэнергии. Авторы изучили, могут ли современные LLM без дополнительного обучения (zero-shot) повысить точность прогнозов по сравнению с классическими статистическими моделями, а также сравнили результаты российских и международных языковых моделей.

 

В качестве данных использовались ежемесячные показатели планового потребления электроэнергии в Объединенной энергосистеме Урала. Для оценки качества прогнозов исследователи сравнили результаты моделей Claude, Gemini, GigaChat и Yandex Cloud AI Alice с классической моделью SARIMA и дополнительно проанализировали влияние различных вариантов промптов — от базового запроса до промптов, содержащих экспертный и предметный контекст.

 

Результаты показали, что качество прогнозов существенно зависит от формулировки запроса. Добавление информации о временной структуре данных и предметной области позволило заметно повысить точность прогнозирования для наиболее успешных моделей. При этом  российские языковые модели не продемонстрировали преимущества перед более универсальными международными моделями.

 

Авторы также показали, что при правильно подобранном промпте прогнозы, полученные с помощью LLM, в отдельных случаях могут превосходить результаты классической модели SARIMA. Кроме того, в исследовании предложен подход к оценке неопределенности прогнозов на основе многократных запусков языковых моделей, позволяющий сравнивать распределение их прогнозов с доверительными интервалами статистических методов.