PulseAugur
中
实时 14:19:35
English(EN) Interpretable Kolmogorov-Arnold Network with Feature-Isolated Temporal Attention Mechanism for Electricity Load Forecasting

新的LoadKAN框架结合KAN和注意力机制，用于可解释的电力负荷预测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了LoadKAN，一个用于电力负荷预测的新型框架，它将特征隔离的时间注意力机制与Kolmogorov-Arnold网络（KAN）相结合。这种混合方法旨在提高预测准确性，同时保持可解释性，这是传统深度学习模型普遍面临的挑战。LoadKAN的注意力机制独立提取输入特征的时间动态，然后由KAN模块处理以进行可解释的预测。在U.S.电力市场数据上进行评估，LoadKAN在与最先进的黑盒模型相比时表现出竞争力，并提供了关于出行模式与电力负荷之间关系的精细洞察。 AI

影响 为时间序列预测的黑盒模型提供了一种更具可解释性的替代方案，有可能提高关键基础设施应用中的信任度和洞察力生成。

排序理由 该集群包含一篇详细介绍特定领域新模型架构的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的LoadKAN框架结合KAN和注意力机制，用于可解释的电力负荷预测

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Hao Wang ·

    Interpretable Kolmogorov-Arnold Network with Feature-Isolated Temporal Attention Mechanism for Electricity Load Forecasting

    Accurate electricity load forecasting is a crucial prerequisite for stable power system operations. While prevalent deep learning models present competitive performance, they often operate as black boxes and lack interpretability. While the Kolmogorov-Arnold network (KAN) has eme…

相关实体

相关话题