多变量对抗时间序列预测模型
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
准确预测电力价格对于电力系统管理和智能应用的发展至关重要。本研究提出了一种用于德国 - 卢森堡次日电力价格的长短期记忆(LSTM)模型,通过应对俄罗斯入侵乌克兰后欧洲电力价格的大幅上涨和高度波动等挑战,来应对现有预测方法的局限。LSTM 的循环结构允许该模型适应价格趋势,同时通过同时预测均值和标准差,实现了概率性预测。使用超统计学的物理启发方法来解释价格的统计特性,本研究表明 LSTM 模型能够忠实地重现价格和其波动情况。
Oct, 2023
本文提出了一种多变量 LSTM 模型,能够准确预测带有外生变量的时间序列,并且解释各个变量的重要性。采用张量化隐藏状态设计的多变量 LSTM 学习每个变量的隐藏状态,从而实现混合时间和变量注意力机制,并且量化了各个变量的重要性。基于真实数据集和合成数据集的实验结果表明,相较于其他基线模型,多变量 LSTM 具有良好的预测性能和解释性,展现出成为端到端框架进行预测和知识发现的前景。
Jun, 2018
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
本研究提出了一种动态漂移自适应长短期记忆模型,可在不需要漂移阈值设置的情况下,提高负载预测模型的性能,通过基于主动和被动适应方法的框架集成几种策略,并在云环境中部署来评估它在实际中的适用性。
May, 2023
基于 LSTM 神经网络的多元时间序列数据监测和故障检测,采用 Modelica 模型进行验证,引入阈值筛选机制并过滤超出操作者兴趣范围的故障。
Dec, 2016
本研究提出了一种采用混合和分层深度学习模型进行中期负载预测的方法,该模型结合了指数平滑(ETS)、先进的长短期记忆(LSTM)和集成方法。模拟研究表明,该模型的性能非常高,竞争力强。
Mar, 2020
通过应用多种 LSTM 模型和基于密度的空间应用噪声聚类(DBSCAN)异常值检测方法,剔除异常值,考虑到气象和社会因素,对三个考虑了每小时用电量,天气和日历特征数据集进行季节性划分,在所有季节性数据集中有效地减少了低估和高估误差,降低用电消耗的低估预测对于防止对社区造成损害的电力中断至关重要。
Feb, 2023
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