32、基于预测可靠性估计校正电力负荷预测系统的流式预测

基于预测可靠性估计校正电力负荷预测系统的流式预测

一、引言

在决策和专家系统中，准确预测动态数据流的值是一项具有挑战性的任务。这是因为数据流具有高流速、存储有限的特点，并且需要模型快速适应新数据。传统的监督学习模型旨在准确建模学习数据，同时对未参与学习过程的示例实现尽可能高的预测精度。然而，在线学习领域面临着更大的挑战，因为数据源具有开放性、高速流动和非平稳分布的特征。

在这种需求密集的环境中，我们没有足够的时间进行在线测试和在不同模型中进行选择，或者迭代优化它们。因此，我们提出了一种校正在线学习系统单个预测的方法，并将其应用于电力负荷需求预测问题。该问题需要增量模型实时持续进行预测。为了校正系统的回归预测，我们比较了两种方法：一是使用基于局部性的可靠性估计CNK进行校正，二是使用卡尔曼滤波器进行校正。我们使用神经网络和k近邻这两种回归模型，对这两种校正方法的性能进行了实证评估，实验针对预测下一小时、下一天（24小时）和下一周（168小时）的电力负荷这三种不同情况展开。

二、相关工作

（一）校正回归预测

在评估预测准确性时，常用的是平均准确性度量，如相对均方误差（RMSE）。但这些估计只能评估模型的整体性能，无法提供关于单个预测误差的局部信息。而可靠性估计（即对未见过示例的预测误差估计）则能提供更有用的信息。

此前，有人提出并评估了几种不同的回归预测可靠性估计方法。在九种与模型无关（即算法将底层模型视为黑盒）的可靠性估计中，CNK估计特别值得关注。它通过局部建模来估计预测误差，计算效率高，其值的符号能指示误差方向。我们利用CNK估计来估计数据流的预测误差，并将预测值修正为更准确的值。

（二）