迈向预测首次日出行时间：一种用于负荷转移预测的高斯建模方法
机器学习
2015-07-17 v1
摘要
本工作提供了两种统计高斯预测方法，用于预测日常使用电动汽车的首次日出行时间（FDDT）。这在智能电网应用中对于理解此类移动储能单元的断开时间非常重要，例如用于预测不可调度负荷（如风能和太阳能）的存储。我们回顾了与 FDDT 预测相关的驾驶行为特征的最新进展，然后提出了一种近似高斯方法，该方法通过假设出行时间服从正态分布，定性预测在给定时间范围内有多少车辆将出行。该方法将采样时段视为泊松分布，并将其叠加以获得单一的近似高斯模型。鉴于出行时间的高斯分布假设，我们还使用高斯混合模型（GMM）对该问题进行建模，其中预先设定的聚类数量代表所需的时间粒度。评估证明，对于所测试的数据集，在 15 分钟和 10 分钟间隔内可以实现低误差和高置信度（），并且 GMM 优于传统建模，但由于其更贴合采样数据，在不同数据集间的泛化性较差。最后，我们讨论了所讨论模型的未来可能性和实际应用。
引用
@article{arxiv.1507.04502,
title = {Towards Predicting First Daily Departure Times: a Gaussian Modeling Approach for Load Shift Forecasting},
author = {Nicholas H. Kirk and Ilya Dianov},
journal= {arXiv preprint arXiv:1507.04502},
year = {2015}
}
备注
2015 IEEE International Conference on Systems, Man and Cybernetics [accepted]