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

通过开发机器和深度学习的 “后向预测” 模型，重建多十年需求记录，研究温度的自然变化以及其对需求的影响，以更好地支持电力系统技术和政策的发展过程。

Sep, 2022

调查英国和欧洲能源危机对生活成本的影响，并分析能源危机的公众讨论、社会参与者及其角色，以及与生活成本和可持续性相关的关键话题，使用自然语言处理和数据可视化技术进行语料库分析，证实了这些技术在研究生活成本和能源危机之间的关系时的效用。

Feb, 2024

通过 Twitter 上用户表达的情感，使用 TF-IDF 方法在英国和印度的数据集上分析了电力价格的影响，并使用朴素贝叶斯，决策树，随机森林，逻辑回归四种分类算法分析其性能以及准确度、精确度等参数。

Jun, 2022

本文通过对智能电网进行技术创新、标准开发、规范实施、测试规划等方面的探讨，运用基于深度学习方法的概率和全局预测模型，分析了外部干预对电力需求的不确定性及其影响情况，以新冠肺炎疫情对电力需求的影响为例，证明在短期内干预的峰谷差异是相当显著的。

Sep, 2022

通过使用语言模型进行能量负荷预测，本文提出了一种新颖的方法，通过利用教导技术将能量消耗数据转化为描述性的句子，实现语言模型的微调，并采用自回归生成方法，能够对未来能量负荷消耗的各种时间段进行预测。通过对真实数据集的大量实验，我们证明了我们提出方法的有效性和准确性。结果表明，利用语言模型进行能量负荷预测有望提高能源效率，并促进能源系统的智能决策。

Oct, 2023

利用自然语言处理技术 (NLP) 对大量的客观科研文章和研究进行分析是理解气候变化的多方面影响在各地的关键，使得我们能够从中提取和处理关于特定地区气候变化影响的关键信息。通过使用 BERT (Bidirectional Encoder Representations from Transformers) 进行命名实体识别 (NER)，我们可以高效地识别气候文献中的具体地理位置，该方法能够为特定地区的气候趋势分析，确定与气候变化有关的主题或关注点，追踪这些问题在时间上的进展，评估其频率、严重程度和潜在发展趋势。利用这种深入分析特定地区气候数据的方法，可以制定更具定制性的决策、适应措施和减轻策略，解决每个地区所面临的独特挑战，并提供基于数据洞察的更有效解决方案。这种方法通过对科学文本的深入探索，为决策者、工程师和环保人士等多方面的利益相关者提供可行的见解。通过主动理解这些影响，社会能够更好地做好准备，明智地分配资源，并设计出针对未来气候条件的量身定制战略，确保更具弹性的未来。

Jan, 2024

本文介绍了利用自然语言处理技术构建的问答型模型 ClimateQA，该模型可用于分析财务报告以确定与气候相关的内容，以应对气候变化对全球股市等投资领域的巨大影响。

Nov, 2020

本文通过使用新颖的神经体系结构捕捉单个电子邮件内的权力表现，并以保持顺序的方式进行汇总，以推断电子邮件主题中参与者之间权力方向，从而实现了自动化预测社会互动中的权力关系。在此任务中，我们获得了 80.4％的准确率，较先前研究高出 10.1％。此外，我们还将该模型应用于基于他们之间交换的整个消息集来预测个体之间的权力关系的任务上，此时我们的模型也明显优于使用先前的技术，以获得 83.0％的准确性。

Jul, 2018