面向用电数据的在线分层预测

我们研究一组家庭及其子群体的电力消耗预测。这些子群体根据位置、外生信息以及/或我们根据历史家庭消耗时间序列确定的画像来构建。因此,我们旨在对若干家庭聚合层级上的电力消耗时间序列进行预测。这些时间序列通过某些求和约束相联系,从而形成层级结构。我们的方法包含三步:特征生成、聚合与投影。首先(特征生成步),我们对每个考虑的家庭组使用随机森林或广义加性模型构建基准预测(称为特征)。其次(聚合步),并行运行的聚合算法聚合这些预测并提供新预测。最后(投影步),我们利用由时间序列底层层级诱导的求和约束,通过将预测投影到精心选择的线性子空间来协调预测。我们通过最小化称为regret的量,对该方法的平均预测误差提供了一些理论保证。我们还在英国由多个能源供应商在能源需求研究项目背景下收集的家庭用电数据上测试了我们的方法。我们构建并比较了多种群体分割以评估方法的性能。