基于高斯过程随机游走的电力消费预测

我们考虑数据稀缺、难以收集或导致高昂计算成本的时间序列预测问题。作为初步尝试，我们聚焦于法国的短期电力消费，这对能源供应商和公共利益相关者具有战略重要性。该问题的复杂性以及多个地理空间粒度级别促使我们使用高斯过程（GP）集成。尽管 GP 是出色的预测器，但其训练计算成本高昂，这要求采用一种节俭的少样本学习方法。通过考虑在数据集上训练的 GP 的性能，并在这些 GP 上设计随机游走，我们减轻了整个贝叶斯决策过程的训练成本。我们介绍了名为 Domino（高斯过程上的随机游走）的算法，并提供了数值实验以支持其优点。