[论文解读] Deep Forecast: Deep Learning-based Spatio-Temporal Forecasting

Amir Ghaderi, Borhan M. Sanandaji+1 more|arXiv (Cornell University)|Jul 24, 2017

Energy Load and Power Forecasting参考文献 20被引用 96

一句话总结

该论文提出了一种基于深度学习的时空风速预测框架（DL-STF），将数据建模为图并使用多步长的 LSTM/RNN 模型同时对所有节点进行预测，在短期预测上相较基线显示出更高的准确性。

ABSTRACT

The paper presents a spatio-temporal wind speed forecasting algorithm using Deep Learning (DL)and in particular, Recurrent Neural Networks(RNNs). Motivated by recent advances in renewable energy integration and smart grids, we apply our proposed algorithm for wind speed forecasting. Renewable energy resources (wind and solar)are random in nature and, thus, their integration is facilitated with accurate short-term forecasts. In our proposed framework, we model the spatiotemporal information by a graph whose nodes are data generating entities and its edges basically model how these nodes are interacting with each other. One of the main contributions of our work is the fact that we obtain forecasts of all nodes of the graph at the same time based on one framework. Results of a case study on recorded time series data from a collection of wind mills in the north-east of the U.S. show that the proposed DL-based forecasting algorithm significantly improves the short-term forecasts compared to a set of widely-used benchmarks models.

研究动机与目标

• 为可再生能源接入和智能电网的准确短期风速预测提供动机。
• 将多风电站的时空依赖关系建模为一个图。
• 开发一个框架，使用单一的基于 DL 的方法同时对图中所有节点进行预测。
• 在移动 horizon 上更新预测，采用逐步模型以最大化数据利用。

提出的方法

• 将数据产生实体建模为一个图 G，含节点 V 和边 E。
• 使用移动时域训练，设 h 个时间步的模型 M_i 来预测所有节点的 s^t。
• 在每个模型中，输入由真实值与先前预测值组成，便于学习时空关系。
• 采用带 LSTM 块的 RNN 以捕捉时间动态及节点间交互。
• 用预测输出与真实输出之间的平均绝对误差作为损失 L，对每个 M_i 进行训练。
• 利用 TensorFlow/Keras 实现模型；使用 ReLU 激活和 MSRProp 优化器；根据交叉验证设定 h=6，ell=12。

实验结果

研究问题

• RQ1 DL-STF 是否相比单个节点及所有节点联合预测，在短期风速预测上优于传统方法？
• RQ2 是否可以在一个框架中实现对所有站点的预测，而无需显式预先指定站点关系？
• RQ3 在使用时空训练（所有节点）与仅在单个节点上训练的情况下，预测结果有何差异？

主要发现

方法	MAE(m/s)	RMSE(m/s)	NRMSE(%)
持续性预测	2.14	2.83	16.86
阶数为1的自回归（AR）	2.07	2.76	16.44
阶数为3的自回归（AR）	2.07	2.76	16.40
WT-ANN	1.82	2.47	14.68
基于AN 的 ST	1.80	2.30	13.69
基于LS 的 ST	1.72	2.20	13.08
DL-STF	1.63	2.19	13.08
DL-STF(All nodes)	1.18	1.62	16.28

• DL-STF 在单个节点（ACK）上的 MAE 和 RMSE 均低于持久化、AR、WT-ANN 及其他基线方法。
• DL-STF(All nodes) 相较于单节点 DL-STF，在 ACK 站点的 MAE/ RMSE 显著更好（1.18 对 1.63 MAE，1.62 对 2.19 RMSE）。
• 在所有地点的平均表现，DL-STF 的 MAE 为 1.18，RMSE 为 1.62，相较于基线方法更优，且与单节点结果相当。
• 时空建模（所有节点）相较于仅使用目标节点数据的预测，提升了预测准确性，展示了站间交互的价值。
• 研究在美东海岸沿线的 57 个 METAR 站点上进行，展示了网络中短期风速预测的改进。