PulseAugur
中
实时 03:08:35
English(EN) Learning-based Probabilistic Load Forecasting with Post-hoc and In-model Uncertainty

深度学习模型在负荷预测中表现出不同的不确定性处理能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新的智能建筑概率负荷预测框架，重点研究如何最好地纳入重构输入特征的不确定性。该研究使用三种深度学习骨干模型：循环模型、混合循环模型和时间融合Transformer (TFT) 模型，比较了事后残差分位数方案与模型内集成分位数学习方案。结果表明，最优不确定性放置取决于模型架构，TFT模型在使用集成分位数学习时表现出最强的可靠性，实现了更窄的预测区间和更好的校准。 AI

影响 这项研究通过更好地处理输入不确定性，有望提高智能建筑中能源负荷预测的准确性和可靠性。

排序理由 该集群包含一篇研究论文，详细介绍了用于负荷预测的深度学习模型的新框架和比较分析。[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 →

深度学习模型在负荷预测中表现出不同的不确定性处理能力

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Heung Seok Jeon ·

    基于学习的后验和模型内不确定性概率负荷预测

    Smart-building load forecasters are often trained offline on dense, multivariate, high-frequency data, but deployment may provide only hourly, feature-limited inputs. Missing features must then be reconstructed, and their errors can propagate through the model. If this input unce…

相关实体

相关话题