[논문 리뷰] Comparative Analysis of Time Series Forecasting Approaches for Household Electricity Consumption Prediction

Muhammad Bilal, Hyeok Kim외 2명|arXiv (Cornell University)|2022. 07. 03.

Energy Load and Power Forecasting인용 수 6

한 줄 요약

이 연구는 카글에서 제공한 시간별 및 일별 데이터셋을 사용하여 가정용 전기 소비 예측을 위한 기계학습 및 통계 모델의 비교 평가를 수행한다. 서포트 벡터 회귀(SVR)가 다른 모델들을 능가했으며, 그 다음으로 다층 퍼셉트론(MLP)과 가우시안 프로세스 회귀가 이어져 에너지 관리 및 계획 응용 분야에서 에너지 수요 예측의 뛰어난 정확도를 입증한다.

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.

연구 동기 및 목표

• 가정용 전기 소비 데이터에 대한 다양한 시계열 예측 모델의 성능 평가.
• 단기 에너지 수요 예측을 위한 가장 정확한 기계학습 및 통계 모델 식별.
• 한국의 가정용 데이터셋에서 기상 데이터 포함 여부가 예측 정확도에 미치는 영향 평가.
• 실제 세계 데이터셋을 활용한 에너지 관리 시스템을 위한 실용적 기준 제공.

제안 방법

• Weka를 적용하여 시간별 및 일별 가정 에너지 데이터셋에서 다층 퍼셉트론(MLP), K-최근접 이웃(K-NN), 서포트 벡터 회귀(SVR), 선형 회귀, 가우시안 프로세스 회귀를 구현.
• 선택된 한국 가정 데이터에 대해 파이썬을 사용해 ARIMA 및 벡터 자기회귀(VAR) 모델을 시계열 예측에 구현.
• 기상 관련 특징이 포함된 및 포함되지 않은 데이터셋을 사용하여 외부 변수에 대한 모델 민감도 평가.
• 표준 시계열 평가 지표를 사용해 모델 성능 평가(다만 요약문에서 구체적인 지표는 기재되지 않음).

실험 결과

연구 질문

• RQ1 가정용 전기 소비 예측에서 가장 높은 예측 정확도를 보이는 기계학습 모델은 무엇인가?
• RQ2 기존의 통계 모델인 ARIMA와 VAR는 현대적인 기계학습 모델에 비해 에너지 수요 예측에서 어떻게 비교되는가?
• RQ3 기상 데이터를 통합하면 가정용 에너지 소비 예측 성능이 유의미하게 향상되는가?
• RQ4 다양한 시간 간격(시간별 대비 일별)에서 각 모델의 성능은 어떻게 다른가?

주요 결과

• 서포트 벡터 회귀(SVR)가 테스트된 모든 모델 중에서 가장 높은 예측 정확도를 기록했다.
• 다층 퍼셉트론(MLP)이 성능 2위를 차지하여 비선형 패턴 학습 능력이 뛰어나다는 것을 시사한다.
• 가우시안 프로세스 회귀는 강력한 예측 성능을 보이며 전체 순위 3위를 기록했다.
• 기상 데이터 포함 여부가 모델 성능 향상에 기여했지만, 요약문에서 구체적인 향상 폭은 기재되지 않았다.