基于小波增强的神经 ODE 与图注意力的可解释能源预测
机器学习
2025-07-15 v1 人工智能
机器学习
摘要
精准预测能源需求与供给对于优化可持续能源系统至关重要，但受可再生能源波动性和动态消费模式的挑战。本文引入一种神经框架，集成连续时间神经普通微分方程（Neural ODEs）、图注意力、多分辨率小波变换和频率自适应学习，以解决时间序列预测中的问题。该模型采用鲁棒的 ODE 求解器（采用 Runge-Kutta 方法），配合基于图的注意力和残差连接，更好地理解结构和时序模式。通过基于小波的特征提取和自适应频率调制，有效捕获和建模多尺度时序动态。在七个多样化数据集上进行评估：ETTh1、ETTh2、ETTm1、ETTm2（电力变压器温度）以及 Waste、Solar、Hydro（可再生能源），该架构在各种预测指标上 consistently 超过了最新基线，证明其在捕获复杂时序依赖性方面的鲁棒性。此外，模型通过 SHAP 分析提升可解释性，适用于可持续能源应用。
引用
@article{arxiv.2507.10132,
title = {Wavelet-Enhanced Neural ODE and Graph Attention for Interpretable Energy Forecasting},
author = {Usman Gani Joy},
journal= {arXiv preprint arXiv:2507.10132},
year = {2025}
}