一种可解释的机器学习方法用于家庭级能源预测
机器学习
2024-10-21 v1 人工智能
计算机与社会
摘要
电力预测一直是一个反复出现的研究课题，因为它是在生产与消费之间找到正确平衡的关键。虽然大多数论文关注国家或区域尺度，但很少有研究关注家庭层面。分解预测是机器学习文献中的常见主题，但缺乏家庭能源预测所需的可解释性。本文专门针对家庭层面电力使用预测的挑战。本文将常见的机器学习算法与家庭电力预测进行对比，权衡其优缺点，包括使用公认的关键指标评估准确性和可解释性。此外，本文还将这些算法与该行业特有的业务挑战（如可解释性或异常值鲁棒性）进行对比。我们引入了一种自定义决策树，旨在提供合理的能源消耗估计，同时保持可解释性并与人类直觉一致。我们表明，这种新方法在不大幅牺牲准确性的情况下提供了更高的可解释性。自定义树方法可用于各种业务场景，但也存在局限性，例如对异常值的鲁棒性不足。
引用
@article{arxiv.2410.14416,
title = {An explainable machine learning approach for energy forecasting at the household level},
author = {Pauline Béraud and Margaux Rioux and Michel Babany and Philippe de La Chevasnerie and Damien Theis and Giacomo Teodori and Chloé Pinguet and Romane Rigaud and François Leclerc},
journal= {arXiv preprint arXiv:2410.14416},
year = {2024}
}