基于长短期记忆网络与自然语言处理的电力需求预测
机器学习
2023-09-14 v1
摘要
电力需求预测是一个成熟的研究领域。通常该任务通过考虑历史负荷、天气预报、日历信息以及已知重大事件来完成。近来，人们关注利用文本新闻这一新信息源以提升此类预测性能的可能性。本文提出一种融合文本新闻特征的长短期记忆（LSTM）网络，成功预测了英国全国电力需求的确定性与概率性任务。研究发现，与交通和地缘政治相关的公众情绪及词向量表示对电力需求具有时间连续性效应。实验结果表明，带文本特征的LSTM相比纯LSTM基准提升超过3%，相比官方基准提升接近10%。此外，所提模型通过收窄置信区间并使预测分布更贴近真实值，有效降低了预测不确定性。
引用
@article{arxiv.2309.06793,
title = {Electricity Demand Forecasting through Natural Language Processing with Long Short-Term Memory Networks},
author = {Yun Bai and Simon Camal and Andrea Michiorri},
journal= {arXiv preprint arXiv:2309.06793},
year = {2023}
}
备注
5 pages, 3 figures, 2023 IEEE PES Innovative Smart Grid Technologies Conference Europe (ISGT-Europe)