[论文解读] 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 6

一句话总结

本研究基于Kaggle提供的每小时和每日家庭用电量数据集，对机器学习模型与统计模型在家庭用电量预测中的表现进行了对比评估。支持向量回归（SVR）在各类模型中表现最优，其次为多层感知机（MLP）和高斯过程回归，显示出在能源管理与规划应用中预测能源需求的卓越准确性。

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.

研究动机与目标

• 评估多样化时间序列预测模型在家庭用电量数据上的表现。
• 识别用于短期能源需求预测的最准确的机器学习与统计模型。
• 评估在韩国家庭数据集中引入气象数据对预测精度的影响。
• 基于真实世界数据集，为能源管理系统提供实用的基准参考。

提出的方法

• 使用Weka实现多层感知机、K近邻、支持向量回归、线性回归及高斯过程回归模型，应用于每小时与每日的家庭用电数据集。
• 在Python中实现ARIMA与向量自回归（VAR）模型，用于对选定的韩国家庭用电数据进行时间序列预测。
• 使用包含与不包含气象相关特征的数据集，评估模型对外部变量的敏感性。
• 采用标准时间序列指标评估模型性能，但摘要中未详细说明具体指标。

实验结果

研究问题

• RQ1 哪种机器学习模型在家庭用电量预测中达到最高预测精度？
• RQ2 传统统计模型（如ARIMA与VAR）与现代机器学习模型在预测能源需求方面表现如何比较？
• RQ3 在家庭用电量预测中，引入气象数据是否显著提升预测性能？
• RQ4 不同模型在不同时间粒度（每小时与每日）下的表现如何？

主要发现

• 支持向量回归（SVR）在所有测试模型中实现了最高的预测精度。
• 多层感知机（MLP）排名第二，表明其在学习非线性模式方面具有强大能力。
• 高斯过程回归表现出优异的预测性能，总体排名第三。
• 引入气象数据提升了模型性能，但摘要中未量化具体提升幅度。