用于全国范围天然气需求短期预测的组合方法
机器学习
2021-01-26 v4 机器学习
摘要
天然气需求由三部分组成：居民、工业和热电天然气需求。本文以意大利数据为例，研究各成分的提前一日预测。作为有效特征选择的预备步骤，讨论了统计特性及其与温度的关系。实现并比较了九种“基预测器”：岭回归、高斯过程、最近邻、人工神经网络、环面模型、LASSO、弹性网络、随机森林和支持向量回归（SVR）。基于它们构建了四种组合预测器：简单平均、加权平均、子集平均和 SVR 聚合。我们发现组合预测器表现始终优于基预测器。此外，在两年样本外验证中，我们的模型优于输电系统运营商（TSO）的预测。这些结果表明，组合预测器可在天然气需求预测中带来显著的性能提升。
引用
@article{arxiv.1902.00097,
title = {Ensembling methods for countrywide short term forecasting of gas demand},
author = {Emanuele Fabbiani and Andrea Marziali and Giuseppe De Nicolao},
journal= {arXiv preprint arXiv:1902.00097},
year = {2021}
}