学生住宅能源预测中季节性变化的研究
机器学习
2025-07-01 v2 人工智能
摘要
本研究对各种机器学习模型在能源预测中的性能进行了深入评估，重点关注学生住宅环境中季节性变化的独特挑战。该研究评估了基线模型（如LSTM和GRU）以及最先进的预测方法（包括自回归前馈神经网络、Transformer和混合方法）的性能。特别关注在季节性模式、假期、气象变化以及导致使用量突然波动的不规则人类活动等挑战下预测能源消耗。研究结果表明，没有单一模型能在所有季节中持续优于其他模型，强调了需要针对季节选择模型或进行定制设计。值得注意的是，所提出的基于超网络的LSTM和MiniAutoEncXGBoost模型表现出对季节性变化的强大适应性，有效捕捉了夏季能源消耗的突变。本研究通过强调季节性动态和模型特定行为在实现准确预测中的关键作用，推动了能源预测领域的发展。
引用
@article{arxiv.2501.07423,
title = {An Investigation into Seasonal Variations in Energy Forecasting for Student Residences},
author = {Muhammad Umair Danish and Mathumitha Sureshkumar and Tehara Fonseka and Umeshika Uthayakumar and Vinura Galwaduge},
journal= {arXiv preprint arXiv:2501.07423},
year = {2025}
}