能源时间序列预测——传统模型与机器学习模型的分析与实证评估
机器学习
2021-08-25 v1
摘要
机器学习方法已在文献中被视为解决能源时间序列预测（TSF）问题的传统方法竞争者。近年来，深度学习方法在人工智能领域崭露头角，在众多应用中取得了惊人的性能。然而，关于其在解决能源TSF问题中的准确性和计算需求方面的证据尚不充分。大多数涉及能源TSF问题的综述文章均为系统性综述，但文献中尚缺乏针对能源TSF问题的定性与定量研究。本文目的有二：其一，对可用于解决各类能源TSF问题的传统方法、机器学习方法和深度学习方法进行全面分析评估；其二，通过三个真实世界数据集对多种选定方法进行实证评估。这些数据集分别涉及电能消耗问题、天然气问题以及单个家庭的电力消耗问题。前两个问题为单变量TSF，第三个问题为多变量TSF。与传统方法和机器学习竞争者相比，深度学习方法在准确性和所考察的预测跨度上均取得了显著提升。同时，其计算需求也明显高于其他竞争者。最后，本文指出了若干挑战、潜在研究方向，并向研究界提出了建议，可作为能源预测领域进一步研究的基础。
引用
@article{arxiv.2108.10663,
title = {Energy time series forecasting-Analytical and empirical assessment of conventional and machine learning models},
author = {Hala Hamdoun and Alaa Sagheer and Hassan Youness},
journal= {arXiv preprint arXiv:2108.10663},
year = {2021}
}