BriefGPT - AI 论文速递
·
利用 LSTMs 进行日前电力价格和波动率的概率预测
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
该研究提出了一种基于LSTM模型的建筑能源消耗预测方法，具有高准确性和高效率。该模型在住宅和商业建筑的短期、中期和长期能源预测方面表现出色，R2得分最高可达0.97，MAE最佳为0.007。该研究提供了一种优于其他方法的、普适性和可靠性强的LSTM模型，为能源预测做出了贡献。
🎯
关键要点
-
本研究提出了一种基于LSTM模型的建筑能源消耗预测方法。
-
该模型在住宅和商业建筑的短期、中期和长期能源预测方面具有高准确性。
-
LSTM模型的最高R2得分为0.97，最佳平均绝对误差（MAE）为0.007。
-
与线性回归、决策树和随机森林等已有预测方法相比，LSTM模型表现出色。
-
模型能够在受限数据集上实现高效的能源消耗预测。
-
研究解决了过拟合和欠拟合的问题。
-
该研究为能源预测提供了一种优于其他方法的、普适性和可靠性强的LSTM模型。
➡️
