基于LSTM-ARIMA組合模型的區(qū)域短期用電量預(yù)測(cè)
所屬分類(lèi)：技術(shù)論文
上傳者：zhoubin333
文檔大?。?span>452 K
標(biāo)簽： 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò) 差分自回歸移動(dòng)平均模型 組合模型
所需積分：0分積分不夠怎么辦？
文檔介紹：用電數(shù)據(jù)具有不平穩(wěn)、非線性的特點(diǎn)，為了提升對(duì)用電數(shù)據(jù)的擬合精度，增強(qiáng)預(yù)測(cè)能力，基于序列預(yù)測(cè)與殘差修正的思想提出通過(guò)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory Neural Network，LSTM)對(duì)用電量序列進(jìn)行預(yù)測(cè)，真實(shí)值與預(yù)測(cè)值所構(gòu)成的差值即殘差用差分自回歸移動(dòng)平均模型(Autoregressive Integrated Moving Average Model，ARIMA)進(jìn)行殘差修正，將LSTM的預(yù)測(cè)值與ARIMA的殘差修正值進(jìn)行重構(gòu)得到最終的預(yù)測(cè)值。最后利用廣東省佛山市某工業(yè)園區(qū)的用電數(shù)據(jù)對(duì)組合模型進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果顯示該模型的預(yù)測(cè)精度與預(yù)測(cè)穩(wěn)定性均優(yōu)于其他模型，取得了良好的預(yù)測(cè)效果。
現(xiàn)在下載
VIP會(huì)員，AET專(zhuān)家下載不扣分；重復(fù)下載不扣分，本人上傳資源不扣分。