本文探讨了如何更好地利用新闻中包含的社会信息来理解能源需求方面的人口总体行为，并通过实验分析从国家新闻中提取的预测特征对日前电力需求预测的影响，实验结果表明最佳表现模型可将官方标准误差在 RMSE、MAE 和 SMAPE 方面降低约 4%、11% 和 10%，最佳表现方法包括确定 COVID-19 相关关键字的词频、识别流行病和内部政治新闻的主题分布，识别国际冲突新闻的全球词嵌入，为传统电力需求分析带来了新的视角并确认利用文本中的非结构化信息改进其预测的可行性，具有潜在的社会学和经济学影响。

Jan, 2023

基于深度学习算法和连续学习技术的能源负荷预测研究，特别针对疫情期间的分布区间外问题和人类流动数据的利用。

Sep, 2023

本文研究了新冠疫情对全球 Bitcoin 价格的影响，使用机器学习模型测试了社会动荡和 COVID-19 大流行对比特币需求和价格的影响。

Jan, 2023

本研究基于日前葡萄牙国家 15 分钟分辨率净负荷时间序列，以深度学习结构 N-BEATS、LSTM 和 TCN 为重点，对 COVID-19 疫情期间的短期负荷预测进行比较研究，旨在增强能源公司和网络运营商的预测工具箱，并提高其对危机事件对模型性能的严重影响的认识，同时作为智能电网监管框架下高级模型评估、部署和可持续性指导。

Feb, 2023

使用因果推断方法，研究了北欧电力价格和主要电力发电燃料价格的动态信息流动情况。发现 Nord 和 German 的电力价格在同时段通过天然气价格进行互联，在长期内则逐渐适应到英国天然气价格共同建立的均衡价格水平。

Oct, 2011

该论文提出了一种新颖的通用方法，能够预测任意分位数，并应用于两种不同的神经网络结构，在短期电力需求预测任务中取得了最新的分布预测结果。

Apr, 2024

本文提出了 LSTM-BNN 在存在电动汽车时进行家庭负载预测的方法，并检验了 COVID-19 大流行对该模型的影响，结果表明该方法能够提高预测精度并得出预测间隔。

Jun, 2023

通过数据驱动的方法和增量学习，该研究针对 SARS-CoV-2 等疫情的不确定性，成功解决了病毒爆发期间的准确预测问题。

Sep, 2023

本研究探讨了在流行期间建筑能源使用的预测方法，使用在线学习和人类迁移数据作为新的预测方法，以适应变化的入住模式，并在六个建筑上进行了广泛的实验。

Jun, 2023

在这篇文章中，我们提出了一种基于深度学习估计疫情参数的流行病学参数预测工具包，结合遗传算法组件搜索决策制定者设定的约束和目标的最优权衡 / 政策来预测病例和死亡，并且实验结果表明我们的方法比 75% 的传统基于规则的流行病学模型预测出错率更低，在学习转移和未见过的国家测试的情况下实现了 95% 的 R2 得分。

Jun, 2020