能源需求预测中的因果推断
人工智能
2025-12-18 v2
摘要
能源需求预测对电网运营商、工业能源消费者和服务提供商至关重要。能源需求受多种因素的影响，包括天气条件（如温度、湿度、风速、太阳辐射）和日历信息（如一天中的小时数和一年中的月份），这些因素进一步影响日常工作和生活时间表。这些因素在因果上相互依赖，使得问题比简单的基于相关性的学习技术更复杂。我们提出了一种结构因果模型来解释这些变量之间的因果关系。对我们的因果信念进行了完整分析，揭示了与先前研究一致的重要见解。例如，我们的因果模型显示，能源需求对温度波动的响应呈季节依赖性敏感性。此外，我们发现能源需求在冬季表现出较低的方差，这是由于温度变化与日常活动模式之间的解耦效应所致。我们随后构建了一个贝叶斯模型，利用我们所学习到的因果见解作为先验知识。该模型在未见数据上进行训练和测试，以 3.84% 的 MAPE 在测试集上实现了最佳性能。该模型还表现出强大的鲁棒性，因为跨年份交叉验证平均 MAPE 为 3.88%。
引用
@article{arxiv.2512.11653,
title = {Causal Inference in Energy Demand Prediction},
author = {Chutian Ma and Grigorii Pomazkin and Giacinto Paolo Saggese and Paul Smith},
journal= {arXiv preprint arXiv:2512.11653},
year = {2025}
}