标题： 使用ALR-BDARMA组合时间序列框架预测美国可再生能源结构 显示英文标题

标题： Forecasting the U.S. Renewable-Energy Mix with an ALR-BDARMA Compositional Time-Series Framework

摘要： 准确预测美国可再生能源的构成对于规划输电升级、确定储能规模和制定平衡市场规则至关重要。 我们提出了一种贝叶斯狄利克雷自回归移动平均（BDARMA）模型，用于2010年1月至2025年1月期间水力、地热、太阳能、风能、木材、城市废弃物和生物燃料的月度占比。 均值向量在加法对数比空间中遵循简约的VAR(2)，而狄利克雷集中参数结合了一个截距项和十个傅里叶谐波，使得预测的离散度能够随着季节变化而扩展或收缩。 一项61次滚动起点的研究从2019年1月到2024年1月生成了十二个月的密度预测。 相对于三个基准模型——变换空间中的高斯VAR(2)、去年比例的季节性简单复制以及无漂移的加法对数比随机游走，BDARMA使平均连续排名概率得分降低了百分之十五至百分之六十，在组件层面实现了接近名义上的百分之九十区间覆盖率，并在八个月内保持了与高斯VAR点预测相当的准确性，之后的最大损失为0.02阿奇森单位。 因此，BDARMA在不牺牲点精度的情况下，提供了多变量可再生能源占比的尖锐且校准良好的概率预测。 显示英文摘要

摘要： Accurate forecasts of the US renewable-generation mix are critical for planning transmission upgrades, sizing storage, and setting balancing-market rules. We present a Bayesian Dirichlet ARMA (BDARMA) model for monthly shares of hydro, geothermal, solar, wind, wood, municipal waste, and biofuels from January 2010 to January 2025. The mean vector follows a parsimonious VAR(2) in additive-log-ratio space, while the Dirichlet concentration parameter combines an intercept with ten Fourier harmonics, letting predictive dispersion expand or contract with the seasons. A 61-split rolling-origin study generates twelve-month density forecasts from January 2019 to January 2024. Relative to three benchmarks, a Gaussian VAR(2) in transform space, a seasonal naive copy of last year's proportions, and a drift-free additive-log-ratio random walk, BDARMA lowers the mean continuous ranked probability score by fifteen to sixty percent, achieves component-wise ninety percent interval coverage close to nominal, and matches Gaussian VAR point accuracy through eight months with a maximum loss of 0.02 Aitchison units thereafter. BDARMA therefore delivers sharp, well-calibrated probabilistic forecasts of multivariate renewable-energy shares without sacrificing point precision.