一种用于时间序列停电预测的混合 PCA-PR-Seq2Seq-Adam-LSTM 框架
机器学习
2025-09-23 v1 人工智能
摘要
准确预测停电是一项受天气条件[1]、植被、野生动物和负荷波动等多种因素影响的复杂任务。这些因素给停电数据带来了显著的变异性和噪声，使得可靠预测变得困难。长短期记忆（LSTM）网络是一种循环神经网络（RNN），特别适用于对非线性和动态时间序列数据进行建模，已在股票价格预测[2]、能源需求预测、需求响应[3]和交通流管理[4]中得到应用验证。本文介绍了一种混合深度学习框架，称为 PCA-PR-Seq2Seq-Adam-LSTM，它集成了主成分分析（PCA）、泊松回归（PR）、序列到序列（Seq2Seq）架构和 Adam 优化的 LSTM。PCA 用于降维和稳定数据方差，而泊松回归则有效地对离散停电事件进行建模。Seq2Seq-Adam-LSTM 组件通过高效的梯度优化和长期依赖捕获来增强时间特征学习。该框架使用来自密歇根州的真实停电记录进行评估，结果表明，与现有方法相比，所提出的方法显著提高了预测精度和鲁棒性。
引用
@article{arxiv.2509.16743,
title = {A Hybrid PCA-PR-Seq2Seq-Adam-LSTM Framework for Time-Series Power Outage Prediction},
author = {Subhabrata Das and Bodruzzaman Khan and Xiao-Yang Liu},
journal= {arXiv preprint arXiv:2509.16743},
year = {2025}
}