TimeGPT在负荷预测中的应用：大时间序列模型视角
机器学习
2024-12-02 v2
摘要
机器学习模型在负荷预测方面取得了显著进展，但在历史负荷数据稀缺的情况下，其预测精度有限。受大型语言模型（LLM）在计算机视觉和自然语言处理中出色表现的启发，本文旨在探讨大时间序列模型在历史数据稀缺的负荷预测中的潜力。具体而言，大时间序列模型被构建为时间序列生成式预训练变换器（TimeGPT），该模型在包含1000亿个数据点（例如金融、交通、银行、网络流量、天气、能源、医疗等）的大规模多样化时间序列数据集上进行训练。然后，利用稀缺的历史负荷数据对TimeGPT进行微调，帮助其适应负荷预测相关的数据分布和特征。仿真结果表明，在多个真实数据集的稀缺训练样本下，TimeGPT在负荷预测方面优于基准模型（例如流行的机器学习模型和统计模型），尤其是在短前瞻时间的情况下。然而，不能保证TimeGPT在数据稀缺的负荷预测中始终优于基准模型，因为TimeGPT的性能可能受到负荷数据与训练数据之间分布差异的影响。在实际应用中，我们可以将历史数据划分为训练集和验证集，然后使用验证集损失来决定TimeGPT是否是特定数据集的最佳选择。
引用
@article{arxiv.2404.04885,
title = {TimeGPT in Load Forecasting: A Large Time Series Model Perspective},
author = {Wenlong Liao and Fernando Porte-Agel and Jiannong Fang and Christian Rehtanz and Shouxiang Wang and Dechang Yang and Zhe Yang},
journal= {arXiv preprint arXiv:2404.04885},
year = {2024}
}
备注
10 pages. It was published in Applied Energy