基于 SARIMAX 的极端天气事件功率中断预测
机器学习
2025-11-04 v1
摘要
本研究构建了一个基于 SARIMAX 的短期功率中断预测系统，用于极端天气事件。使用来自密歇根县的小时数据，包含停电次数和综合天气特征，实施了系统性的两阶段特征工程：数据清洗以删除零方差和未知特征，随后采用相关性筛选消除高度相关的预测变量。所选特征增强了时间嵌入、多尺度滞后特征以及具有相应滞后的天气变量作为 SARIMAX 模型的外生输入。为解决数据不规则性和数值不稳定性，应用标准化并实施分层拟合策略，包括顺序优化方法、在收敛失败时自动降级为 ARIMA，以及基于历史均值的最终后备预测。该模型针对短期（24 小时）和中期（48 小时）预测时段分别进行优化，使用 RMSE 作为评估指标。我们的做法实现了 177.2 的 RMSE，相较于基线方法（RMSE = 193.4）实现了 8.4% 的改进，验证了我们特征工程和稳健优化策略在极端天气相关中断预测中的有效性。
引用
@article{arxiv.2511.01017,
title = {SARIMAX-Based Power Outage Prediction During Extreme Weather Events},
author = {Haoran Ye and Qiuzhuang Sun and Yang Yang},
journal= {arXiv preprint arXiv:2511.01017},
year = {2025}
}
备注
12 pages, 3 figures. This paper presents the solution of Team 12 for the 2025 INFORMS Data Mining Society Data Challenge. The open-source code is available at: https://github.com/yhr-code/2025-INFORMS-DM-Challenge-Team12