面向短期负荷预测的循环神经网络综述与比较分析
神经与进化计算
2018-07-24 v2
摘要
在供应网络中预测资源需求与消耗的关键组成部分是对实值时间序列的准确预测。事实上，通过实施有效的预测系统，可以减少服务中断和资源浪费。因此，在过去的几十年里，大量研究致力于短期负荷预测方法的设计与开发。一类称为循环神经网络(Recurrent Neural Networks)的数学模型如今正重新引起研究人员的兴趣，并且正在取代许多先前基于静态方法的预测系统的实际实现。尽管这些架构具有不可否认的表达能力，但其循环特性使理解变得复杂，并给训练过程带来挑战。最近，出现了一些重要的新型循环架构家族，而它们在负荷预测背景下的适用性尚未被完全研究。在本文中，我们利用不同类别的最先进循环神经网络，对短期负荷预测问题进行了比较研究。我们首先在受控合成任务上测试所综述的模型，然后在不同真实数据集上测试，涵盖了重要的实际研究案例。我们提供了最重要架构的概览，并定义了用于配置循环网络以预测实值时间序列的指南。
引用
@article{arxiv.1705.04378,
title = {An overview and comparative analysis of Recurrent Neural Networks for Short Term Load Forecasting},
author = {Filippo Maria Bianchi and Enrico Maiorino and Michael C. Kampffmeyer and Antonello Rizzi and Robert Jenssen},
journal= {arXiv preprint arXiv:1705.04378},
year = {2018}
}
备注
Springer Briefs in Computer Science (ISBN 978-3-319-70338-1), 2017