汽油消耗预测：集成 Transformer、LSTM 与 CNN 的新型混合模型
系统与控制
2024-10-29 v2 机器学习
系统与控制
摘要
伊朗拥有丰富的石油资源，在全球能源格局中扮演着关键角色。作为一种关键燃料，汽油显著支撑了该国的交通部门。准确预测汽油消耗对于战略性资源管理和环境规划至关重要。本研究引入了一种新方法，用于预测月度汽油消耗，采用集成 Transformer、LSTM 与 CNN 的混合模型，这种高级架构整合了 Transformer 网络、长短期记忆网络（LSTM）和卷积神经网络（CNN）的优势。这种先进的架构为捕捉时间序列数据中的短期和长期依赖关系提供了优于常规方法（如人工神经网络和回归模型）的更好替代方案。通过利用 Transformer 的自注意力机制、LSTM 的时序记忆以及 CNN 的局部模式检测，本混合模型实现了 improved 预测精度。该模型使用 Python 实现，提供精确的未来汽油消耗预测，并通过分析温室气体排放来评估环境影响。本研究考察了2007年至2021年的汽油消耗趋势，其从2007年每日64.5百万升增长至2021年的99.80百万升。我们的模型预测至2031年的消耗水平，为决策者和能源分析师提供了宝贵的工具。结果表明，这种混合模型在提高汽油消耗预测精度方面具有优势，强化了采用先进机器学习技术以优化资源管理并缓解环境风险在能源部门的必要性。
引用
@article{arxiv.2410.16336,
title = {Advancing Gasoline Consumption Forecasting: A Novel Hybrid Model Integrating Transformers, LSTM, and CNN},
author = {Mahmoud Ranjbar and Mohammad Rahimzadeh},
journal= {arXiv preprint arXiv:2410.16336},
year = {2024}
}