基于有限数据的住宅自然气消费的混合深度学习建模方法
机器学习
2025-10-03 v1
摘要
如今，天然气作为清洁燃料和对石油的最佳替代品，覆盖了全球需求的大部分份额。伊朗是全球能源资源丰富的国家之一，在天然气方面也是世界第二大国。但由于人口增长和能源消费的增加，冬季每年面临压力降低和气源中断的问题，因此有必要控制尤其是住宅部门的消费，该部门在伊朗占据最大份额。本研究旨在使用机器学习模型（包括 LSTM、GRU 和混合 BiLSTM-XGBoost 模型）分析和预测位于伊朗赞扎兰省的住宅自然气消费。数据集由 2017 年至 2022 年收集的天然气消费和气象数据组成。根据模型在准确预测消费模式方面的能力进行训练和评估。结果表明，混合 BiLSTM-XGBoost 模型在准确性方面优于其他模型，RMSE、MAPE 和 MPE 值更低。此外，混合模型在有限数据场景下表现出稳健性能。这些发现表明，机器学习方法，特别是混合模型，可有效用于管理和预测气耗，有助于更高效的资源管理并减少季节性短缺。本研究强调纳入地理和气候因素的重要性，因为这些因素显著影响不同地区的气耗。
引用
@article{arxiv.2510.02115,
title = {Hybrid Deep Learning Modeling Approach to Predict Natural Gas Consumption of Home Subscribers on Limited Data},
author = {Milad Firoozeh and Nader Dashti and Mohammad Ali Hatefi},
journal= {arXiv preprint arXiv:2510.02115},
year = {2025}
}