机器学习模型在电力需求预测方面进行基准测试

一项新的基准研究评估了十种机器学习模型在新英格兰地区的短期电力需求预测能力，利用了天气、日历和 COVID-19 数据。研究发现，梯度提升树模型（特别是 CatBoost 和 XGBoost）的表现优于 LSTMs 和 Transformers 等独立的神经网络架构。分析表明，历史需求数据是最重要的预测因子，而 COVID-19 指标的纳入显示出时间有效性衰减的迹象。 AI

影响 为将机器学习应用于关键基础设施预测提供了基准，突出了模型性能的差异。

排序理由 学术论文，提出了一个机器学习基准。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• Catboost
• COVID-19
• LightGBM
• long short-term memory
• New England ISO
• optuna
• random forest
• Reza Ghanavati
• Shap
• Transformer++
• XGBoost

• 论文
• 其他

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