TrustEnergy：用于准确可靠的用户级能源使用预测的统一框架
机器学习
2026-01-21 v1 人工智能
摘要
能源使用预测对于电网管理、基础设施规划和灾害响应等各种实际应用至关重要。尽管已提出大量深度学习方法来执行此任务，但其中大多数要么忽略了家庭之间基本的空间相关性，要么无法扩展至个性化预测，这使得它们在准确的细粒度用户级预测方面效果不佳。此外，由于极端天气事件等各种因素导致能源使用具有动态性和不确定性，量化不确定性以实现可靠预测也具有重要意义，但现有工作尚未对此进行充分探索。在本文中，我们提出了一个名为 TrustEnergy 的统一框架，用于准确可靠的用户级能源使用预测。TrustEnergy 包含两个关键技术组件：(i) 层次化时空表示模块，利用一种新颖的记忆增强时空图神经网络高效捕获宏观和微观能源使用模式；(ii) 创新的序列保序分位数回归模块，无需对底层数据分布做出强假设即可动态调整不确定性边界，以确保随时间变化的有效预测区间。我们与佛罗里达州的一家电力供应商合作，实施并评估了 TrustEnergy 框架，结果表明，与 SOTA 基线相比，TrustEnergy 的预测准确率提高了 5.4%，不确定性量化提升了 5.7%。
引用
@article{arxiv.2601.13422,
title = {TrustEnergy: A Unified Framework for Accurate and Reliable User-level Energy Usage Prediction},
author = {Dahai Yu and Rongchao Xu and Dingyi Zhuang and Yuheng Bu and Shenhao Wang and Guang Wang},
journal= {arXiv preprint arXiv:2601.13422},
year = {2026}
}