基于带变点检测机制的Hoeffding树的持续学习场景天然气消耗预测系统
机器学习
2024-08-13 v4 人工智能
摘要
考虑季节性和趋势的天然气消耗预测，在规划其供应与消费以及优化获取成本方面至关重要，主要对工业实体而言。然而，在其供应受到威胁时，它也是保障该原材料供给以满足个体消费者需求、确保社会能源安全的关键要素。本文提出了一种新颖的天然气消耗多步超前预测方法，该方法集成变点检测以进行模型集合选择，并利用数据流处理具备持续学习能力。基于所提方法的预测模型性能在一个复杂的真实世界天然气消耗预测用例中得到评估。我们采用Hoeffding树预测器作为预测模型，并采用Pruned Exact Linear Time (PELT)算法进行变点检测过程。变点检测集成使得能够为连续时间帧选择不同的模型集合。因此，定义并评估了三种模型集合选择过程（含与不含误差反馈环），用于具有不同检测变点密度的预测场景。这些模型与忽略变点的基线方法进行了比较。我们的实验表明，无论采用何种模型集合选择过程，较少的变点会导致更低的预测误差。此外，省略预测误差反馈的更简单模型集合选择过程可得到更鲁棒、适用于持续学习任务的预测模型。
引用
@article{arxiv.2309.03720,
title = {A Natural Gas Consumption Forecasting System for Continual Learning Scenarios based on Hoeffding Trees with Change Point Detection Mechanism},
author = {Radek Svoboda and Sebastian Basterrech and Jedrzej Kozal and Jan Platos and Michal Wozniak},
journal= {arXiv preprint arXiv:2309.03720},
year = {2024}
}