能源时间序列预测的时序编码策略
机器学习
2025-03-20 v1
摘要
在当代电力系统中，能源消耗预测在维持电网稳定和资源分配中发挥关键作用，使电力公司能够最小化能源浪费并避免电网过载。虽然已有多项关于能源优化的研究，但常未能解决实时波动和能源消耗周期性模式的复杂性。本文提出一种新方法，通过在时间序列数据的周期性特征上采用正弦编码来增强预测模型的准确性。为 demonstrating 性能提升，本研究在能源需求数据集上训练了若干统计模型和集成机器学习模型，采用 proposed 的正弦编码。将这些模型的性能与使用传统编码方法训练的相同模型进行基准测试。结果表明，均方根误差（RMSE）提高了 12.6%（从 0.5497 降至 0.4802），R² 分数提升了 7.8%（从 0.7530 增至 0.8118），表明 proposed 的编码方法在捕捉时序模式的周期性方面优于传统方法。该 proposed 方法论证在保持计算效率的同时显著提高了预测准确性，适用于智能电网的实时应用。
引用
@article{arxiv.2503.15456,
title = {Temporal Encoding Strategies for Energy Time Series Prediction},
author = {Aayam Bansal and Keertan Balaji and Zeus Lalani},
journal= {arXiv preprint arXiv:2503.15456},
year = {2025}
}