一篇新的研究论文探讨了智能建筑的概率负荷预测,重点关注如何处理由重建输入特征引起的不确定性。该研究使用三种深度学习骨干网络(包括Temporal Fusion Transformers (TFT))比较了事后残差分位数方法和集成模型内分位数学习方案。结果表明,不确定性的最佳放置取决于模型架构,对于TFT模型而言,集成式分位数学习被证明是最有效的。 AI
影响 这项研究可以提高智能建筑中能源需求预测的准确性和可靠性,从而可能带来更高效的能源管理和成本节约。
排序理由 该集群包含一篇在arXiv上发表的研究论文,详细介绍了一种新的概率负荷预测方法。
- alphaXiv
- arXiv
- CatalyzeX
- DagsHub
- deep learning
- Diebold-Mariano
- Gotit.pub
- Hugging Face
- Quantile Score
- Sarah Al-Shareeda
- ScienceCast
- Temporal Fusion Transformer
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →