[論文レビュー] Comparative Analysis of Time Series Forecasting Approaches for Household Electricity Consumption Prediction

Muhammad Bilal, Hyeok Kim+2 more|arXiv (Cornell University)|Jul 3, 2022

Energy Load and Power Forecasting被引用数 6

ひとこと要約

本研究では、Kaggleから入手した時間分解能が1時間および1日単位のデータセットを用いて、機械学習モデルと統計モデルの家庭電力消費予測における比較評価を実施した。サポートベクターレグレッション（SVR）が他のモデルを上回り、次いでマルチレイヤーパーセプトロン（MLP）とガウス過程回帰が続いた。これは、エネルギー管理および計画用途におけるエネルギー需要予測の精度が優れていることを示している。

ABSTRACT

As a result of increasing population and globalization, the demand for energy has greatly risen. Therefore, accurate energy consumption forecasting has become an essential prerequisite for government planning, reducing power wastage and stable operation of the energy management system. In this work we present a comparative analysis of major machine learning models for time series forecasting of household energy consumption. Specifically, we use Weka, a data mining tool to first apply models on hourly and daily household energy consumption datasets available from Kaggle data science community. The models applied are: Multilayer Perceptron, K Nearest Neighbor regression, Support Vector Regression, Linear Regression, and Gaussian Processes. Secondly, we also implemented time series forecasting models, ARIMA and VAR, in python to forecast household energy consumption of selected South Korean households with and without weather data. Our results show that the best methods for the forecasting of energy consumption prediction are Support Vector Regression followed by Multilayer Perceptron and Gaussian Process Regression.

研究の動機と目的

• 家庭電力消費データに対する多様な時系列予測モデルのパフォーマンスを評価すること。
• 短期的なエネルギー需要予測に最も正確な機械学習および統計モデルを同定すること。
• 韓国における家庭データセットにおいて、気象データを含めることで予測精度に与える影響を評価すること。
• 実世界のデータセットを用いたエネルギー管理システムの実用的ベンチマークを提供すること。

提案手法

• Wekaを用いて、マルチレイヤーパーセプトロン、K近傍法、サポートベクターレグレッション、線形回帰、ガウス過程回帰を、時間分解能が1時間および1日単位の家庭エネルギー消費データセットに適用した。
• Pythonを用いて、特定の韓国家庭データに対してARIMAおよびベクトル自己回帰（VAR）モデルを時系列予測に実装した。
• 気象関連の特徴量を含む・含まない両方のデータセットを用いて、外部変数へのモデル感受性を評価した。
• 標準的な時系列評価指標を用いてモデルのパフォーマンスを評価したが、要約では具体的な指標は明記されていない。

実験結果

リサーチクエスチョン

• RQ1 どの機械学習モデルが家庭電力消費予測において最も高い予測精度を達成するか？
• RQ2 ARIMA や VAR といった伝統的な統計モデルは、現代の機械学習モデルと比較してエネルギー需要予測にどの程度優れているか？
• RQ3 気象データを組み込むことで、家庭電力消費の予測性能が顕著に向上するか？
• RQ4 異なる時間分解能（1時間 vs. 1日）において、各モデルのパフォーマンスはどのように異なるか？

主な発見

• サポートベクターレグレッション（SVR）が、テストされたすべてのモデルの中で予測精度が最も高かった。
• マルチレイヤーパーセプトロン（MLP）が2番目に高いパフォーマンスを示し、非線形パターン学習への優れた能力を示した。
• ガウス過程回帰は強く予測性能を示し、全体で3位の順位を獲得した。
• 気象データの組み込みによりモデルのパフォーマンスが向上したが、要約では具体的な向上幅は明記されていない。