基于注意力的神经负荷预测：一种动态特征选择方法
机器学习
2023-05-10 v1 信号处理
摘要
基于编码器-解码器的循环神经网络 (RNN) 在机器翻译和对话模型等序列到序列学习任务中取得了显著进展。近期工作表明了此类网络在处理各种时间序列预测任务中的优势。本文关注多步短期负荷预测问题，该问题在电力系统规划与运行中起着关键作用。利用编码器-解码器 RNN，我们开发了一种注意力模型，以自适应地选择相关特征与相似时间信息。首先，输入特征由特征选择注意力层分配不同权重，而更新后的历史特征由双向长短期记忆 (BiLSTM) 层编码。随后，带有分层时间注意力的解码器实现相似日选择，在每个时间步重新评估历史信息的重要性。在全球能源预测竞赛 2014 数据集上的数值结果表明，我们提出的模型显著优于一些现有预测方案。
引用
@article{arxiv.2108.11763,
title = {Attention-based Neural Load Forecasting: A Dynamic Feature Selection Approach},
author = {Jing Xiong and Pengyang Zhou and Alan Chen and Yu Zhang},
journal= {arXiv preprint arXiv:2108.11763},
year = {2023}
}