本文提出了一种利用文本新闻特征的长短期记忆网络（LSTM）来成功预测英国国家电力需求的确定性和概率任务。实验结果表明，带有文本特征的 LSTM 相对于纯 LSTM 基准模型改进了 3% 以上，相对于官方基准模型改进了近 10%。此外，该模型能够通过缩小置信区间和使预测分布更接近真实值来有效地降低预测的不确定性。

Sep, 2023

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

本文介绍了一种基于深度学习的故障检测方法，利用高精度的数据采集设备收集数据来训练模型，并使用长短时记忆网络和一维卷积神经网络来提取时序特征和频率信息进行故障预测，在 Kaggle 平台上的结果表明该方法具有更好的性能和解释性。

Sep, 2020

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

本研究旨在使用深度序列方法来预测网络流量需求，其中包括基于经验模态分解（EMD）的噪声抑制、基于经验规则的异常值检测和基于 K - 最近邻的异常值缓解。

Jun, 2023

我们提出了一个新颖的检索增强生成框架 GenTKG，结合了时间逻辑规则检索策略和轻量级参数效率指导，用于在时间知识图上进行生成性预测，证实了大语言模型在时间知识图领域具有巨大潜力，并开辟了时间知识图生成性预测的新领域。

Oct, 2023

本研究提出了一种非监督知识适应预测框架，通过利用另一种交通方式的数据预训练模型来预测目标交通方式的需求，从而提高预测性能，同时避免不同机构之间的数据直接共享的问题。

Jun, 2022

通过深度学习构建融合多通道数据的网络（MCDFN），提高需求预测准确性并实现可解释性，优于其他七个深度学习模型，适用于供应链管理系统且为未来研究提供方向。

May, 2024

我们提出了一种新颖的方法，利用非高峰时期的类似实体的代理数据以及基于图神经网络的特征学习模型，将需求预测问题转化为元学习问题，并开发了基于特征的第一阶段模型无关元学习算法 (F-FOMAML)，通过利用代理数据和 GNN 生成的关系元数据来学习特定特征层参数，以适应高峰活动的需求预测。理论上，我们证明了通过考虑任务特定元数据的领域相似性，我们的模型实现了改进的泛化性能，即随着训练任务数量的增加，冗余风险减少。对大规模工业数据集的实证评估表明了我们方法的优越性。与现有的最先进模型相比，我们的方法在需求预测准确性方面取得了显著的改进，在内部自动贩卖机数据集上的平均绝对误差减少了 26.24%，在公开可访问的京东数据集上减少了 1.04%。

Jun, 2024

通过整合文本线索与时间序列数据，本研究引入了一种新颖的文本引导时间序列预测（TGTSF）任务，并提出了一个稳健的基准模型 TGForecaster，它利用交叉注意机制融合文本线索和时间序列数据。通过四个精心策划的基准数据集对所提出的框架进行了综合评估，验证了 TGForecaster 在各类数据中始终保持领先的性能，凸显了将文本信息纳入时间序列预测的潜力。该研究不仅开创了一种新的预测任务，而且为未来的研究建立了一个新的基准，推动了多模态数据集成在时间序列模型中的发展。

May, 2024