本论文讨论了长期时间序列预测 (LTTF) 中的 Transformer 模型,提出了一种有效的基于 Transformer 的模型 Conformer,采用编码器 - 解码器架构和正则化流派生的模块进一步提高信息利用率,并显式地建模时间序列数据中的互系列相关性和时间动态以加强下游自我关注机制,实验表明 Conformer 模型在 LTTF 中优于现有的方法,并可生成可靠的预测结果与不确定性量化。
Jan, 2023
通过将自适应图卷积网络集成到各种空间时序预测模型中,以解决多维预测中维度之间的关系难以捕捉的问题,并进行了多个数据集的实验测试,证明我们的建议框架在模型中引入后,其准确率提高了约 10%。
May, 2022
本文提出使用基于 LSTM 的序列 - 序列学习模型来捕捉家用电器负载曲线,并使用 4 个住宅建筑物的真实数据集将其与 VARMA,Dilated One Dimensional 卷积神经网络和 LSTM 模型进行比较,结果表明,在大多数情况下,提出的 LSTM 序列 - 序列模型在预测误差方面优于其他技术。
Jun, 2021
本文探讨了在智能电网等关键基础设施中实现高效运营所需的精确电力负荷预测的问题,提出了基于深度学习模型应用于电力负荷预测问题的最新趋势,并通过实验评估了前馈神经网络、循环神经网络、序列到序列模型和时空卷积神经网络等多种深度学习模型在短期负荷预测方面的性能表现。
Jul, 2019
本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet), 用于解决多元时间序列预测等问题,并在复杂混合循环模式数据上实现了显著的性能提升。
Mar, 2017
为了解决 Transformer 在长序列时间序列预测中的问题,我们设计了一种高效的基于 Transformer 的模型 Informer,其具有 ProbSparse 自注意机制和生成式解码器等特点,在四个大规模数据集上显著优于现有方法。
Dec, 2020
短期负荷预测 (STLF) 对电网的日常运营至关重要。然而,电力需求时间序列的非线性、非平稳性和随机性使得 STLF 成为一项具有挑战性的任务。本研究通过考虑一组表示欧洲国家次日电力需求的 27 个时间序列,研究了一种名为迁移学习 (TL) 的特殊 STLF 情况下的性能。我们使用一种流行且易于实施的神经网络 (NN) 模型,并进行聚类分析以识别系列之间的相似模式并辅助 TL。在这个背景下,我们编译并比较了两种不同的 TL 方法,一种包括聚类步骤,一种不包括,并与传统的 NN 训练设置进行了比较。我们的结果表明,TL 可以胜过传统方法,特别是当考虑到聚类技术时。
Oct, 2023
本文介绍了一种基于 Transformer 的深度学习方法,利用联邦学习进行短期电力负荷预测,模型的性能超过了长短时记忆模型和卷积神经网络,是联邦学习中值得期待的一个替代方案。
本文研究多图神经网络在长期时空预测中的应用,提出了一种新的动态多图融合模块来描述不同图之间的节点相关性,并引入可训练权重张量来指示不同图中每个节点的重要性。实验证明,我们的方法在长期时空预测任务中显著提高了现有图神经网络模型的性能。
Apr, 2022
本文提出了一种基于误差校正的电力负荷中期预测模型(ECLF),该模型通过时间序列分析、特征工程和堆叠集成等方法,将原始负荷数据分解为三个组件进行单独预测,并在极限梯度提升算法的第二步预测中利用预测结果作为新特征,实现了更加准确和稳定的预测效果。实验结果表明,该模型在中期负荷预测方面具有优越的表现。
Jun, 2023