用于中期电力负荷预测的混合残差扩张LSTM与指数平滑模型
信号处理
2020-04-02 v1 机器学习
机器学习
摘要
本文提出一种用于中期负荷预测的混合分层深度学习模型。该模型结合了指数平滑（ETS）、先进的长短期记忆（LSTM）网络与集成方法。ETS动态提取各独立时间序列的主要成分，并使模型能够学习其表示。多层LSTM配备扩张循环跳跃连接以及从低层到高层的空间捷径路径，以使模型更好地捕捉长期季节性关系并确保更高效的训练。针对LSTM与ETS的通用学习过程采用带惩罚的pinball损失，可同时优化数据表示与预测性能。此外，三级集成提供了强大的正则化。对35个欧洲国家月度电力需求时间序列进行的仿真研究证实了所提模型的高性能，以及其与ARIMA、ETS等经典模型及基于机器学习的前沿模型的竞争力。
引用
@article{arxiv.2004.00508,
title = {A Hybrid Residual Dilated LSTM end Exponential Smoothing Model for Mid-Term Electric Load Forecasting},
author = {Grzegorz Dudek and Paweł Pełka and Slawek Smyl},
journal= {arXiv preprint arXiv:2004.00508},
year = {2020}
}
备注
11 pages, 13 figures