周期性时间编码与混合深度集成用于多步能源预测
机器学习
2025-12-04 v1 计算机视觉与模式识别
摘要
准确的电力消耗预测对于需求管理和智能电网运行至关重要。本文提出了一种统一的深度学习框架，将周期性时间编码与混合 LSTM-CNN 架构相结合，以增强多步能源预测。我们系统地利用正弦余弦编码转换基于日历的属性以保持周期结构，并通过相关性分析评估其预测相关性。为了同时利用长期季节性效应和短期局部模式，我们采用了一个由 LSTM、CNN 和针对每个预测 horizon 专门化的 MLP 回归元学习器组成的集成模型。使用一年的国家消耗数据集，我们进行了广泛的实验研究，包括有无周期性编码和日历特征的消融分析，以及与文献中已有基线的比较。结果表明在所有七个预测 horizon 上均有一致改善，我们的混合模型在 RMSE 和 MAE 上均优于单独架构和先前方法。这些发现证实了将周期性时间表示与互补深度学习结构相结合的好处。据我们所知，这是首次在统一的短期能源预测框架中联合评估时间编码、基于日历的特征和混合集成架构的工作。
引用
@article{arxiv.2512.03656,
title = {Cyclical Temporal Encoding and Hybrid Deep Ensembles for Multistep Energy Forecasting},
author = {Salim Khazem and Houssam Kanso},
journal= {arXiv preprint arXiv:2512.03656},
year = {2025}
}