BENCHMARKING STATISTICAL, MACHINE LEARNING, DEEP LEARNING, AND HYBRID FORECASTING MODELS FOR GLOBAL RENEWABLE ENERGY CONSUMPTION: A WALK-FORWARD CROSS-VALIDATION STUDY WITH STRUCTURAL BREAK ANALYSIS

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:This study offers a comprehensive model comparison for energy forecasting researchers, with robust cross-validation and statistical tests.

🏢実務担当者:Corporate sustainability teams can adopt the forecasting framework for internal energy transition planning and reporting.

🏛政策担当者:Policy offices can use the model evaluation results to improve renewable energy projections for target setting and policy assessment.

エネルギー独立とレジリエンスは、地政学的緊張、供給途絶、価格変動が化石燃料依存型エネルギーシステムの脆弱性を露呈させる中で、重要な政策優先事項となっている。したがって、再生可能エネルギー消費の正確な予測は、効果的なエネルギー転換計画、インフラ投資、および持続可能な開発目標7（SDG-7）などの国際的な気候目標への進捗状況のモニタリングに不可欠である。マクロエネルギー政策の実務において、定量的予測はシナリオ設計、容量計画、ネットゼロ経路との整合性評価の基盤となるが、年次頻度と世界的に比較可能な時系列の短さが、データ集約型予測手法の効果的な適用を厳しく制約している。本研究では、ベースライン（Naive、Random Walk with Drift、Linear Trend）、古典的統計手法（ETS、Damped ETS、Theta、ARIMA）、機械学習（XGBoost）、深層学習（GRU、LSTM、N-BEATS）、加法モデル（Prophet）、および新規のETS-GRUハイブリッドを含む13の予測モデルファミリーを、世界銀行のEG.FEC.RNEW.ZS指標（1990-2020年）に対してベンチマークする。全モデルは、3年間の予測期間を備えた統一された5ウィンドウ拡張ウォークフォワード交差検証プロトコル、ネストされたハイパーパラメータチューニング、マルチシード深層学習ロバスト性チェック、Diebold–Mariano検定、Model Confidence Set分析、およびブートストラップ推論の下で評価される。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Energy independence and resilience have become critical policy priorities as geopolitical tensions, supply disruptions, and price volatility expose the vulnerability of fossil-fuel-dependent energy systems. Accurate forecasting of renewable energy consumption is therefore essential for effective energy transition planning, infrastructure investment, and monitoring progress toward international climate targets such as Sustainable Development Goal 7 (SDG-7). In macro-energy policy practice, quantitative forecasts underpin scenario design, capacity planning, and assessment of alignment with net-zero pathways, yet the annual frequency and short length of globally comparable time series severely constrain the effective application of data-intensive forecasting methods. This study benchmarks 13 forecasting model families-spanning baselines (Naive, Random Walk with Drift, Linear Trend), classical statistical methods (ETS, Damped ETS, Theta, ARIMA), machine learning (XGBoost), deep learning (GRU, LSTM, N-BEATS), an additive model (Prophet), and a novel ETS-GRU hybrid - against the World Bank EG.FEC.RNEW.ZS indicator (1990-2020). All models are evaluated under a unified 5-window expanding walk-forward cross-validation protocol with a 3-year forecast horizon, nested hyperparameter tuning, multi-seed deep learning robustness checks, Diebold–Mariano tests, Model Confidence Set analysis, and bootstrap inference.

• semanticscholar https://doi.org/10.21474/ijar01/23124first seen 2026-05-15 17:56:29 · last seen 2026-08-15 05:21:54