事前学習済み時系列予測モデルの新たな一群――Chronos、TimesFM、Moirai、TimeGPT、Lag-Llama、Tiny Time Mixers（TTM）など――は現在、データセットごとの訓練を行わずにゼロショットおよび少数ショット予測を可能にしている。これはエネルギー予測にとって真に新しい運用形態であり、既存のBQEBベンチマーク基盤はその評価を想定して構築されていない。一方、PatchTSTのような強力な教師ありアーキテクチャは、この新たなモデル群の一員ではなく、参照ベースラインとして依然重要である。本論文は、エネルギー予測タスクにおける基盤モデルを評価するための再現性優先型ベンチマーク枠組み「BQEB FoundationBench」を導入する。本研究計画全体で確立された構成と整合するよう、FoundationBenchは新たなアーキテクチャ層を導入しない。これは既存のベンチマーク層において、ForecastBench（モジュール1、実行済み）およびSecBench（モジュール2、プロトコル策定済み）に続く第3のモジュールとして登録され、並行する仕組みを定義するのではなく、既存のソフトウェア層およびガバナンス層のレジストリを拡張する。本枠組みは、すべての基盤モデルを同等に扱うのではなく、各候補モデルのアーキテクチャ、展開形態、ライセンスを記録するモデルレジストリを規定する。具体的には、オープンウェイトのゼロショットモデル、NixtlaによるクローズドソースかつAPI専用のTimeGPT、ならびに展開後のゼロショット推論ではなく教師あり学習または自己教師あり学習を主な運用形態とするPatchTSTを明確に区別する。新たなタスクを定義するのではなく、BQEB ForecastBenchの既存の予測対象（翌時刻の電力負荷、翌日電力価格）を再利用し、ForecastBenchで用いられた一から訓練する方式に代えて、ゼロショットおよび少数ショット評価の枠組みを適用する。評価プロトコルは、点予測および確率予測の評価指標、単純ベースラインとの必須比較、ブートストラップ信頼区間を規定する。本稿はベンチマーク基盤を定義するものであり、モデルを提案する論文ではない。新たな予測アーキテクチャを提案せず、実行結果も報告しない。本稿における予定評価表はすべて、論文1および論文2で確立された証拠重視の規律に従い、将来の実験的検証用であることが明示されている。
https://doi.org/10.20944/preprints202609.0115.v1