多目标学习在太阳能预测中的益处

尽管可再生能源预测领域在过去十年中受到显著关注，但文献主要集中于每次仅训练一个目标的机器学习模型。能源市场中的大量分类（和回归）任务导致高度不平衡的训练数据。例如，为平衡备用，市场监管者自然可以选择对假阴性（可能导致较差的运行效率和成本）比假阳性（可能导致市场短缺）更敏感或更不敏感。除准确性外，算法偏差、RMBE（回归问题中）、推理时间和模型稀疏性等其他指标也至关重要。本文是可再生能源预测领域中首批尝试呈现解的 Pareto 前沿（权衡）的论文之一，通过采用 XGBoost 模型（梯度提升树）来回答如何处理多目标的问题。我们提出的算法依赖于使用一系列加权（均匀网格）单目标模型训练例程。考虑了来自美国马萨诸塞州阿默斯特太阳能预测面板的真实世界数据实例，包含三目标（关注准确性）和双目标（关注公平性/偏差）分类实例。数值实验表现 promising，通过观察解（模型配置）的散布和多样性，可见相对于单目标方法的明显优势。