ES-dRNN：一种用于短期负荷预测的指数平滑与膨胀循环神经网络混合模型
机器学习
2021-12-07 v1 神经与进化计算
摘要
短期负荷预测（STLF）因表达三种季节模式与非线性趋势的复杂时间序列（TS）而具挑战性。本文提出一种处理多重季节性并给出点预测与预测区间（PIs）的新型混合分层深度学习模型。它结合指数平滑（ES）与循环神经网络（RNN）。ES 动态提取各独立 TS 的主要成分并实现即时去季节化，这在相对小数据集上操作时尤为有用。多层 RNN 配备一种新型膨胀循环单元，专为高效建模 TS 中短与长期依赖而设计。为改进内部 TS 表示从而提升模型性能，RNN 同时学习 ES 参数与将输入变换为预测的主映射函数。我们在 35 个欧洲国家的 STLF 问题上将本方法与若干基线方法（含经典统计方法与机器学习（ML）方法）比较。实证研明确显示所提模型对含多重季节性与显著随机波动的 TS 非线性随机预测问题具有高表达能力，事实上在精度上优于统计与最先进 ML 模型。
引用
@article{arxiv.2112.02663,
title = {ES-dRNN: A Hybrid Exponential Smoothing and Dilated Recurrent Neural Network Model for Short-Term Load Forecasting},
author = {Slawek Smyl and Grzegorz Dudek and Paweł Pełka},
journal= {arXiv preprint arXiv:2112.02663},
year = {2021}
}