Diebold-Mariano

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

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。