用于电力消耗预测的 RNN(p)
机器学习
2025-11-10 v2 信号处理
统计金融
摘要
一种在 p 个时间滞后上运行的初等循环神经网络，称为 RNN(p)，是线性自回归模型 ARX(p) 的自然推广。对于在多个时间尺度上呈现固有季节模式的变量，它是一种强大的预测工具，这在能源、经济与金融时间序列中常可观察到。RNN(p) 模型的结构特征在于跨时间滞后的结构化反馈，这使得高效训练策略的设计成为可能。我们针对这些模型的学习算法进行了比较研究，严格分析了它们的计算复杂度与训练性能。我们给出了 RNN(p) 模型在电力消耗预测中的两个应用，这是能源领域中的关键方向，其中准确预测可为运营与财务决策提供依据。实验结果表明，RNN(p) 模型在保持高度可解释性的同时实现了优异的预测精度。这些特性使它们非常适合于能源市场及其他金融科技（fintech）应用中的决策，其中可靠预测具有重要的经济作用。
引用
@article{arxiv.2209.01378,
title = {RNN(p) for Power Consumption Forecasting},
author = {Roberto Baviera and Pietro Manzoni},
journal= {arXiv preprint arXiv:2209.01378},
year = {2025}
}