.png){kind=icon}
返回
An ensemble deep learning framework for energy demand forecasting using genetic algorithm-based feature selection
.png){kind=icon}
OA
AI
DOI：10.1371/journal.pone.0310465.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
精确的能源需求预测对于高效的能源管理和规划至关重要。计算能力的最新进展和大型数据集的可用性推动了机器学习模型的发展。然而，选择最合适的特征以增强预测准确性和稳健性仍然是一个关键挑战。本研究提出了一种集成遗传算法与多种预测模型的集成方法，用于优化特征选择。遗传算法从包含历史能源消耗、天气变量和时序特征的数据集中识别最优特征子集。这些选定的特征随后用于训练三个基学习器：长短期记忆网络（LSTM）、双向长短期记忆网络（BiLSTM）和门控循环单元（GRU）。这些模型的预测结果通过堆叠集成技术进行组合，以生成最终预测。为增强模型评估，我们将数据集划分为工作日和周末子集，从而能够更详细地分析能源消耗模式。为确保研究结果的可靠性，我们进行了十次模拟，并对结果应用了威尔科克森符号秩检验。所提出的模型表现出卓越的精度，在工作日数据上实现了130.6的均方根误差（RMSE）、0.38%的平均绝对百分比误差（MAPE）和99.41的平均绝对误差（MAE）。该模型在周末预测中也保持了高精度，均方根误差（RMSE）为137.41，平均绝对百分比误差（MAPE）为0.42%，平均绝对误差（MAE）为105.67。本研究为能源分析师提供了有价值的见解，并有助于开发更复杂的需求数据预测方法。
Keyword:
ARTIFICIAL-INTELLIGENCE
MODEL
期刊
IF:
2.6
论文数:
2.6W
被引数:
81.6W
机构
引用论文
Demand forecasting based machine learning algorithms on customer information: an applied approach基于需求预测的客户信息机器学习算法: 一种应用方法
PREAI
分享收藏A hybrid modelling method for time series forecasting based on a linear regression model and deep learning基于线性回归模型和深度学习的时间序列预测混合建模方法.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏A novel composite electricity demand forecasting framework by data processing and optimized support vector machine基于数据处理和优化支持向量机的综合电力需求预测框架APPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏Building energy consumption prediction for residential buildings using deep learning and other machine learning techniques基于深度学习和其他机器学习技术的住宅建筑能耗预测
OAAI
OAAI分享收藏A stacking ensemble approach for identification of informative tweets on twitter data一种用于识别推特数据中有信息量推文的堆叠集成方法
PREAI
分享收藏
查看更多内容