面向 AI 驱动热力消费预测的 district heating 数据可视化诊断框架：提升数据质量
机器学习
2025-10-02 v1 人机交互
摘要
高质量数据是训练可靠人工智能（AI）模型的前提。在供热网络中，传感器和计量数据常常受到噪声、缺失值及时间不一致性的影响，这会显著降低模型性能。本文提出了一种系统化的方法，通过可视化诊断来评估和改善数据质量，实现了一个基于 Python 的交互式 Web 数据仪表盘。该仪表盘采用包括时间序列图、热力图、箱线图、直方图、相关矩阵以及基于修正 Z 分数的异常检测关键性能指标（KPI）等可视化技术，使人类专家能够检查和解读数据异常，实现人类在环的数据质量评估策略。该方法在来自丹麦某供热供应商的真实数据集上进行了演示，该数据集覆盖了超过四年的每小时数据，来自近 7000 台计量设备。研究结果表明，可视化分析如何揭示系统性数据问题，并在未来指导数据清洗策略，以提升长短期记忆网络（Long Short-Term Memory）和门控循环单元（Gated Recurrent Unit）模型在热力需求预测中的准确性、稳定性和泛化能力。该研究为可扩展、可通用的可视化数据检查框架贡献了力量，并凸显了数据质量在 AI 驱动能源管理系统中的关键作用。
关键词
引用
@article{arxiv.2510.00872,
title = {A Visual Diagnostics Framework for District Heating Data: Enhancing Data Quality for AI-Driven Heat Consumption Prediction},
author = {Kristoffer Christensen and Bo Nørregaard Jørgensen and Zheng Grace Ma},
journal= {arXiv preprint arXiv:2510.00872},
year = {2025}
}
备注
Energy Informatics.Academy Conference 2025 (EI.A 2025), 3-6 December 2025, Universiti Tenaga Nasional (UNITEN), Kuala Lumpur, Malaysia