使用堆叠非参数贝叶斯方法进行能耗预测
该研究比较了随机森林和梯度提升算法在基于历史数据预测能源消耗方面的性能,并使用加权平均集成方法将两种算法单独应用于能源消耗的预测,实验结果表明,加权平均集成方法比两种算法单独应用提供更准确的结果。
Jul, 2022
我们首次提出了一项对德国连续日内市场上交易的电力价格进行贝叶斯预测的研究,该研究充分考虑了参数不确定性,并在后验预测分布方面给出了预测。我们使用 2022 年极其波动的电力价格进行验证,证明了在一些点度量和概率得分方面,相较于基于最后价格信息的基准模型,我们的预测模型有明显的改进。最后,我们通过提供强有力的统计证据挑战了在电力价格预测中使用 LASSO 进行特征选择的黄金标准,表明正交匹配追踪(OMP)在预测性能方面更佳。
Mar, 2024
提出了一种将随机波动模型更改为具有特殊协方差函数的分层高斯过程模型的方法,使其可以根据历史数据产生真正的后验分布,同时还将基于大量已研究的领域的启发式设计用于多任务学习,实现了比基线模型更好的股票和风速预测。
Jul, 2022
本文采用贝叶斯回归法建模时间序列,并堆叠不同的预测模型,使其能够估计时间序列预测不确定性和风险特征,同时探讨使用贝叶斯回归的层次化模型来应对历史数据短、数据变化不明显的销售预测问题。结合 ARIMA, 神经网络,随机森林和 Extra Tree 模型进行预测,利用二层的贝叶斯回归法通过估计回归系数的分布进行信息融合,以最终预测的风险做决策支持。
Jan, 2022
提出一种新的连续学习能力的多步预测天然气消费的方法,采用数据流处理进行模型收集选择,并结合变点检测集成,评估了在天然气消费预测领域的复杂实际案例中的预测模型性能。
Sep, 2023
该研究使用统计学和机器学习方法来预测国家电力需求,构建了一个完整的长、中、短期电力需求预测模型,其中跨度长的年度趋势采用宏观经济回归分析,中期模型采用温度和日历回归器,短期模型通过多个 ARMA 模型来捕捉小时级别的季节性,结果表明两年外部采样预测精度可达 96.83%。
Apr, 2023
日常电力消耗预测是一个经典问题,本研究通过使用分段线性回归和扩张因果卷积神经网络构建两阶段预测方法,将每日电力消耗系列拆分为趋势、季节和残差三个组件,并引入距离变量来挑战传统节日预测,最终预测结果通过两阶段预测的求和得出,实验结果表明该方法较现有方法具有更高的准确性。
Oct, 2023
本研究通过使用历史能源数据、占用模式和天气条件,引入了一种基于长短期记忆(LSTM)模型的建筑能源消耗预测方法。该 LSTM 模型对于住宅和商业建筑的短期、中期和长期能源预测相比现有的预测模型具有更高的准确性。通过与线性回归、决策树和随机森林等已有预测方法的比较,我们的 LSTM 模型在所有指标上表现出色,具有 0.97 的最高 R2 得分和 0.007 的最佳平均绝对误差(MAE)。我们的模型还具有在受限数据集上实现高效能源消耗预测的能力。通过在实际数据上的严格训练和评估,我们解决了过拟合(方差)和欠拟合(偏差)的问题。总结而言,我们的研究通过提供一种优于其他方法的、具有出色效率、普适性和可靠性的强大 LSTM 模型,为能源预测做出了贡献。
Sep, 2023