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。发表于：。本文提出了一种利用文本新闻特征的长短期记忆网络（LSTM）来成功预测英国国家电力需求的确定性和概率任务。实验结果表明，带有文本特征的 LSTM 相对于纯 LSTM 基准模型改进了 3% 以上，相对于官方基准模型改进了近 10%。此外，该模型能够通过缩小置信区间和使预测分布更接近真实值来有效地降低预测的不确定性。
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。
