利用注意力机制推进热需求预测：机遇与挑战
机器学习
2025-02-13 v1 计算机视觉与模式识别
摘要
全球领导人和政策制定者一致明确承诺支持脱碳努力，以实现净零排放协议。区域供热系统虽然在制热方面因持续依赖化石燃料而产生了碳排放，但正在采取更可持续的做法，尽管带有一定的脆弱性，因为这可能限制其适应动态需求和制热场景的能力。随着人口需求的增长和可再生能源成为供热部门脱碳的核心战略，对准确需求预测的需求日益强烈。数字化的进步为基于机器学习的解决方案铺平了道路，使其成为对复杂时间序列模式进行建模的行业标准。在本文中，我们专注于构建一个深度学习模型，该模型利用影响热需求的独立变量和因变量的解构分量作为特征，执行热需求的多步提前预测。该模型在时频空间中表示输入特征，并使用注意力机制生成准确的预测。所提出的方法在真实世界数据集上进行了评估，并与基于 LSTM 和 CNN 的预测模型进行了预测性能比较。在不同的供应区域中，基于注意力的模型在定量和定性上均优于基线模型，其平均绝对误差为 0.105，标准差为 0.06kW h，平均绝对百分比误差为 5.4%，标准差为 2.8%；相比之下，次优模型的 MAE 为 0.10，标准差为 0.06kW h，MAPE 为 5.6%，标准差为 3%。
引用
@article{arxiv.2502.07854,
title = {Advancing Heat Demand Forecasting with Attention Mechanisms: Opportunities and Challenges},
author = {Adithya Ramachandran and Thorkil Flensmark B. Neergaard and Andreas Maier and Siming Bayer},
journal= {arXiv preprint arXiv:2502.07854},
year = {2025}
}