状态空间模型赢得 IEEE DataPort 后疫情日前电力负荷预测竞赛
应用统计
2021-10-04 v1 统计方法学
机器学习
摘要
我们展示了某电力需求预测竞赛的获胜策略。该竞赛旨在为诸如 2020 年春季开始的不稳定时期设计新的预测方法。我们依托状态空间模型来调整标准的统计与机器学习模型。我们认为其在两个极端之间取得了恰当的折中。一方面，纯时间序列模型（如自回归模型）本质上具有适应性，但未能捕捉对外生变量的依赖；另一方面，机器学习方法能够在历史数据集上学习到对解释变量的复杂依赖，却无法准确预测非平稳数据。竞赛的评估期提供了试错的机会，我们将重点放在最终的预测流程上。特别地，正是在此期间，一种近期设计的算法被用于调整状态空间模型的方差，而我们仅展示最终版本的结果。尽管如此，我们仍对逐日预测进行了讨论。
引用
@article{arxiv.2110.00334,
title = {State-Space Models Win the IEEE DataPort Competition on Post-covid Day-ahead Electricity Load Forecasting},
author = {Joseph de Vilmarest and Yannig Goude},
journal= {arXiv preprint arXiv:2110.00334},
year = {2021}
}