基于堆叠非参数贝叶斯方法的能耗预测
机器学习
2020-11-12 v1 人工智能
摘要
本文在多输出短时序数据背景下，于非参数高斯过程（GP）框架内研究家庭能耗预测问题。随着我们开始利用智能电表数据更清晰地刻画居民用电情况，愈发明显的是，我们还必须构建并理解消费者与燃气消耗之间复杂关系的详尽图景。电力与燃气消耗模式均高度依赖于多种因素，且这些因素间的复杂相互作用十分微妙。此外，由于典型的燃气消耗数据粒度低、时间点极少，朴素地应用传统时间序列预测技术会导致严重的过拟合。鉴于上述考量，我们构建了一种堆叠 GP 方法，其中应用于各任务的每个 GP 的预测后验被用作下一层 GP 的先验与似然。我们将模型应用于真实世界数据集，以预测澳大利亚多个州家庭的能耗。我们将直观的结果与其他常用机器学习技术进行比较。总体而言，结果表明所提出的堆叠 GP 模型优于我们所测试的其他预测技术，尤其是在存在多个短时序实例时。
引用
@article{arxiv.2011.05519,
title = {Energy consumption forecasting using a stacked nonparametric Bayesian approach},
author = {Dilusha Weeraddana and Nguyen Lu Dang Khoa and Lachlan O Neil and Weihong Wang and Chen Cai},
journal= {arXiv preprint arXiv:2011.05519},
year = {2020}
}
备注
Conference: ECML-PKDD 2020