BriefGPT - AI 论文速递
·
使用长短期记忆网络进行自然语言处理的电力需求预测
💡
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能源消耗预测能力。该模型表现出色，具有最高0.97的R2得分和最佳0.007的MAE。该研究提供了一种优于其他方法的、具有出色效率、普适性和可靠性的强大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。
-
该模型使用历史能源数据、占用模式和天气条件进行预测。
-
LSTM模型在短期、中期和长期能源预测中具有更高的准确性。
-
与线性回归、决策树和随机森林等方法比较，LSTM模型表现出色。
-
LSTM模型的最高R2得分为0.97，最佳平均绝对误差（MAE）为0.007。
-
模型在受限数据集上实现高效能源消耗预测。
-
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强大LSTM模型。
➡️
