基于Time-Causality模型的供熱用氣量預(yù)測分析

孫志偉 賈洪川 馬永軍

(天津科技大學(xué)計算機科學(xué)與信息工程學(xué)院 天津 300457)

0 引 言

時間序列是按時間順序記錄的一組數(shù)據(jù)，通常是在等間隔時間內(nèi)，根據(jù)一定的采樣率對某種過程進(jìn)行觀測的結(jié)果[1]。時間序列普遍存在于交通、金融、物流和工業(yè)諸多領(lǐng)域，如天氣數(shù)據(jù)的變化、股票價格序列的變化以及電力負(fù)荷的變化等。時間序列數(shù)據(jù)本質(zhì)上反映的是某個或者某些隨機變量隨時間不斷變化的趨勢，而時間序列預(yù)測方法的核心就是從數(shù)據(jù)中挖掘出這種規(guī)律，并利用其對將來的數(shù)據(jù)作出估計[2]。

關(guān)于時間序列的數(shù)據(jù)挖掘技術(shù)也成了現(xiàn)在的研究熱點。隨著數(shù)據(jù)量的增加，高維度、大容量、高復(fù)雜性的多變量時間序列預(yù)測已成為許多研究的焦點[3]。然而多變量的時間序列往往存在著大量的冗余變量，容易掩蓋重要變量的作用,對預(yù)測模型的建立產(chǎn)生負(fù)面的影響[4]。因此需要進(jìn)行數(shù)據(jù)降維處理，常用的數(shù)據(jù)降維的方法包括特征提取和特征選擇。特征提取是指利用算法將輸入的特征空間映射到一個維度較低的空間。最為經(jīng)典的特征提取方法就是主成分分析法(PCA)，它通過線性變換用低維數(shù)據(jù)來代替多維數(shù)據(jù)，保留了數(shù)據(jù)原有信息。而特征選擇是根據(jù)一定準(zhǔn)則或某種評估標(biāo)準(zhǔn)剔除冗余特征選出最優(yōu)的特征子集，再將選擇后的特征子集作為輸入到合適的預(yù)測模型進(jìn)行預(yù)測[5]。這將提高目標(biāo)時間序列的預(yù)測效果以及預(yù)測效率。

Lasso(least absolute shrinkage and selection operator)算法通過縮小系數(shù)或消除系數(shù)來強制模型丟棄無關(guān)信息來進(jìn)行特征選擇。Tibshirani[6]在傳統(tǒng)特征選擇方法的基礎(chǔ)上做了改進(jìn)，提出Lasso特征選擇方法，該方法在實現(xiàn)參數(shù)估計的同時還可以壓縮變量。Lasso算法通過構(gòu)造懲罰函數(shù)得到精化模型,最終通過確定某些指標(biāo)的系數(shù)為零來達(dá)到簡化指標(biāo)集的目的。Katayama等[7]提出了利用Lasso方法提取相關(guān)的預(yù)測因子并建立在高維多元線性回歸分析的模型。蔣峰等[8]使用Lasso方法選取影響地方財政收入的主要因素變量，并將其作為GRNN神經(jīng)網(wǎng)絡(luò)的輸入變量對某地的財政收入進(jìn)行預(yù)測，其預(yù)測效果優(yōu)于其他對比模型。

多元自適應(yīng)回歸樣條[9](Multivariate Adaptive Regression Splines,MARS)也是一種特征篩選的方法。該方法通過前向過程建立不同的樣條基函數(shù)，在后向階段利用廣義交叉驗證準(zhǔn)則來評估子集的性能以獲取最佳子集。MARS非常適合解決大數(shù)量的數(shù)據(jù)集問題，能夠?qū)Ψ蔷€性和變量間的交互作用進(jìn)行建模，且運算十分便捷[10]。王盛慧等[11]將MARS算法應(yīng)用到水泥能耗建模中，建立了精確的煤耗模型，并通過參數(shù)分析，給出了變量的相對重要性值，進(jìn)一步分析煤耗與重要變量之間的關(guān)系。Tsai等[12]提出利用MARS來篩選特征并用SVR做預(yù)測，利用遺傳算法對SVR的進(jìn)行調(diào)參的混合時間序列模型預(yù)測長期股票數(shù)據(jù)取得了不錯的效果。

關(guān)于時間序列的特征選擇，利用時間序列的Granger關(guān)系進(jìn)行篩選也引發(fā)學(xué)者的研究。傳統(tǒng)的相關(guān)關(guān)系是兩個變量因素的相關(guān)密切程度，反映變量之間的依賴關(guān)系。而Granger關(guān)系的目的是檢測一個時間序列在預(yù)測方面對另一個時間序列的影響，是指變量序列導(dǎo)致目標(biāo)序列變化。關(guān)于Granger關(guān)系的分析方法，其核心思想是：如果使用變量序列和目標(biāo)序列進(jìn)行雙變量預(yù)測其效果優(yōu)于只使用目標(biāo)序列的單變量預(yù)測，則認(rèn)為該變量序列有助于預(yù)測目標(biāo)序列，也就是說該變量序列為目標(biāo)序列的因變量，存在著Granger關(guān)系。孫友強等[14]提出一種基于Granger關(guān)系挖掘的多變量時間序列預(yù)測模型與傳統(tǒng)方法有更精確的預(yù)測效果。Hmamouche等[15]提出一種基于Granger關(guān)系圖的特征選擇算法，建立預(yù)測模型進(jìn)行預(yù)測，并與其他的特征算法比較，有更好的預(yù)測效果。

現(xiàn)有的時序數(shù)據(jù)預(yù)測方法大多是從單一時間尺度上進(jìn)行分析，然而時間序列數(shù)據(jù)的變化規(guī)律不是單一的，而是具有短期性、周期性和長期趨勢性等復(fù)雜特性。所以只是從單一的時間尺度對時間序列進(jìn)行預(yù)測不能全面地把握時序數(shù)據(jù)的特點，需要從多個時間尺度對其未來的發(fā)展趨勢進(jìn)行分析預(yù)測。王金策等[16]利用時間序列分段算法從原始序列中提取帶有多時間尺度趨勢的特征，并應(yīng)用隱馬爾可夫模型設(shè)計多時間尺度趨勢預(yù)測算法對股票數(shù)據(jù)進(jìn)行預(yù)測，在各個尺度上有比較好的預(yù)測效果。李潔等[17]根據(jù)時序數(shù)據(jù)的特征建立基于后向傳播算法的循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測模型，對多種時間尺度的旅客出行情況進(jìn)行預(yù)測，提升了預(yù)測模型的準(zhǔn)確性。

上述研究從多個方面對時間序列特征選擇及預(yù)測進(jìn)行了研究，但沒有考慮在多時間尺度下預(yù)測模型的特征隨尺度變化而其預(yù)測作用會發(fā)生變化，并且基本沒有考慮時間本身作為維度的可能。因此，本文對所選特征的預(yù)測作用隨時間尺度的變化進(jìn)行分析研究。

本文主要對在多時間尺度下的供熱用氣量數(shù)據(jù)進(jìn)行預(yù)測，分析其預(yù)測模型的特征變化，提出了引入時間維度的Granger關(guān)系特征選擇預(yù)測模型Time-Causality，基于Granger關(guān)系來篩選有助于預(yù)測用氣量數(shù)據(jù)的特征維度。對于供熱用氣量數(shù)據(jù)，其變化具有很強的時間周期性。針對其周期性的特點本文引入時間維度作為模型輸入維度，并與用氣量的歷史值和篩選得到的特征維度作為LSTM神經(jīng)網(wǎng)絡(luò)的輸入維度構(gòu)建預(yù)測模型。最后分析研究隨時間尺度變化，預(yù)測模型的特征對用氣量預(yù)測作用的變化，并進(jìn)一步分析各個特征的對用氣量數(shù)據(jù)貢獻(xiàn)作用，以便為供熱用氣量預(yù)測工作的研究提供更準(zhǔn)確的參考。

1 相關(guān)理論知識

1.1 Granger關(guān)系分析

Granger關(guān)系的原理是變量序列的增加有助于結(jié)果序列的預(yù)測。這里序列y={y1,y2,…,yn}設(shè)為目標(biāo)序列，將序列x={x1,x2,…,xn}設(shè)為變量序列。為了檢測Granger關(guān)系，這里會用到兩個回歸方程。

給定兩個平穩(wěn)的時間序列xt和yt，其分別代表變量序列和目標(biāo)序列，xt-k,xt-k+1,…,xt-1為xt的過去k個時段的觀測值，yt-1,yt-l+1,…,yt-1為yt的l個時段的觀測值，則：

(1)

(2)

得到回歸方程后，計算F統(tǒng)計量，表示為：

(3)

式中：RSS1和RSS2分別表示式(1)和式(2)的殘差平方和。

若F統(tǒng)計量下的置信度表明式(2)的預(yù)測誤差顯著地小于式(1)的預(yù)測誤差，那么x是y的Granger原因，即x有助于對y的預(yù)測。

當(dāng)進(jìn)行Granger關(guān)系分析時，還需要考慮目標(biāo)序列是對變量序列的Granger關(guān)系的情況，所以需要建立以下回歸：

(4)

(5)

如果式(2)能提升預(yù)測y的效果，同時式(5)不能提升預(yù)測x的效果，則表明x真正引起y變化。

Granger關(guān)系是一種基于統(tǒng)計的關(guān)聯(lián)關(guān)系檢驗，可以在時間序列的預(yù)測、異常檢測中發(fā)揮作用。

1.2 LSTM神經(jīng)網(wǎng)絡(luò)

LSTM神經(jīng)網(wǎng)絡(luò)模型是一種改進(jìn)的RNN模型[21]，其基本單元是記憶模塊。LSTM記憶模塊中包括三個門結(jié)構(gòu)，分別是遺忘門、輸入門和輸出門。遺忘門控制LSTM中記憶單元遺忘掉無用的歷史信息，輸入門可以更新本記憶單元的單元狀態(tài)，輸出門決定輸出信息。

如圖1所示，對于t時刻，LSTM單元會有當(dāng)前時刻的輸入向量xt,并且前一時刻LSTM的隱藏狀態(tài)為ht-1。

圖1 LSTM單元結(jié)構(gòu)圖

記憶模塊的狀態(tài)更新和信息輸出的過程如下：

首先，遺忘門忘記無用的信息：

ft=σ(Wxfxt+Whfht-1+bf)

(6)

然后，輸入門根據(jù)輸入數(shù)據(jù)和先前記憶單元的狀態(tài)來更新狀態(tài)：

it=σ(Wxixt+Whiht-1+bi)

(7)

(8)

(9)

最后，輸出門輸出當(dāng)前時刻的信息,并記錄隱藏狀態(tài)：

ot=σ(Wxoxt+Whoht-1+bo)

(10)

ht=ot×tanh(Ct)

(11)

式中:Wxc、Wxi、Wxj、Wxo為連接輸入向量xt的權(quán)重矩陣；Whc、Whi、Whj、Who為連接隱含層ht的權(quán)重矩陣；bi、bc、bf、bo為偏置向量;σ是Sigmoid激活函數(shù);ft、it和ot分別表示t時刻遺忘門、輸入門和輸出門的輸出狀態(tài)；Ct表示t時刻的記憶單元狀態(tài)。

LSTM首先在訓(xùn)練期間計算LSTM單元的輸出值，然后反向計算LSTM的誤差項，再根據(jù)誤差項計算每個權(quán)重的梯度，最后基于梯度優(yōu)化算法更新權(quán)重。

綜上所述,采用克羅米芬聯(lián)合絨毛膜促性腺激素、人絕經(jīng)促性腺激素治療婦科內(nèi)分泌失調(diào)具有顯著效果,能夠有效提高患者卵泡雌激素及雌二醇水平,降低不良反應(yīng)發(fā)生,促使患者盡快恢復(fù)健康。

2 Time-Causality預(yù)測模型

2.1 供熱數(shù)據(jù)特點

如圖2所示，鍋爐房用氣量變化曲線呈現(xiàn)出以天為周期的周期性變化，而每天的數(shù)據(jù)會隨溫度等其他因素影響呈現(xiàn)出差異。圖3為日用氣量數(shù)據(jù)的變化趨勢，每天都是在4：00左右把用氣量調(diào)到一天的最大，在7：00-8：00用氣量會有所下降；而到了中午，室外氣溫升高，用氣量會維持在相對較低的數(shù)值；到了16：00左右用氣量數(shù)據(jù)會小幅度陡增，過了幾個小時后會下降到和中午持平的數(shù)值范圍；在22：00用氣量急劇下降到一天中最低值。

圖2 某周內(nèi)天津某鍋爐房用氣量數(shù)據(jù)變化趨勢圖

圖3 某天內(nèi)天津某鍋爐房用氣量變化趨勢圖

結(jié)合鍋爐房用氣量數(shù)據(jù)的特點，引入時間偏移量作為另一個新的輸入維度。由于供熱系統(tǒng)鍋爐房的數(shù)據(jù)呈現(xiàn)出以24小時(天)為單位的周期性變化，因此本文的時間偏移量采用當(dāng)前時刻距該天0:00的分鐘數(shù)。以1日凌晨4：00的數(shù)據(jù)為例，該時刻的時間偏移量為240，而對于2日0:00的時間偏移量則重新記為0。引入時間偏移量更好地刻畫用氣量在一天中不同時間的變化規(guī)律。

2.2 具體流程

Time-Causality預(yù)測模型的構(gòu)建流程圖如圖4所示。

圖4 Time-Causality預(yù)測模型流程圖

具體步驟如下：

(1) 數(shù)據(jù)平穩(wěn)性檢測。Granger關(guān)系分析的一個重要前提是目標(biāo)序列和變量序列必須具有平穩(wěn)性[18]。因此，首先要利用單位根檢驗[19]對時間序列進(jìn)行平穩(wěn)性檢驗，將不平穩(wěn)的時間序列進(jìn)行適當(dāng)?shù)钠椒€(wěn)化處理，以防止虛假回歸。

(2) 建立回歸模型。Grange關(guān)系分析基于一個目標(biāo)序列的單變量預(yù)測模型和一個目標(biāo)序列與變量序列的雙變量預(yù)測模型。對于這兩個模型一般采用VAR模型來建立。對于VAR模型滯后期長度的檢驗，這里采用AIC信息準(zhǔn)則(Akaike Information Criterion)[20]來確定。

(3) 各個特征維度之間F統(tǒng)計量檢測。建立各個特征序列之間的回歸模型后，進(jìn)一步利用F統(tǒng)計量檢測。這里提出兩個假設(shè):

H0:?i∈{1,2，…,L},bk=0
H1:?i∈{1,2，…,L},bk≠0

在零假設(shè)H0(假設(shè)x不引起y)的情況下,F統(tǒng)計量服從自由度為(L,n-(K+L+1))的F分布。因此為了在一定程度上進(jìn)行Granger分析。檢驗的p值是在H0為真的前提下，觀察給定結(jié)果的概率，這里的Granger關(guān)系則考慮為1-p，這樣其表示Granger關(guān)系的值在[0,1]之間。進(jìn)一步可以得出各個特征維度之間的關(guān)系矩陣M。

(4) 篩選變量。從矩陣M中篩選出特征,滿足變量序列x對目標(biāo)變量y的Granger關(guān)系遠(yuǎn)遠(yuǎn)大于y對x的Granger關(guān)系。矩陣M中的元素的值my,x表示變量序列x對目標(biāo)變量y的Granger關(guān)系的大小，而mx,y的值表示目標(biāo)序列y對變量序列x的Granger關(guān)系的大小。如果my,x的值減去mx,y的值遠(yuǎn)遠(yuǎn)大于給定的閾值δ，則變量序列x為篩選得到的特征之一。利用此方法對除目標(biāo)變量的所有變量遍歷篩選特征。

(5) 引入時間偏移量為時間維度。在原有數(shù)據(jù)維度下，新增時間偏移量這一預(yù)測的輸入維度，對于實驗采取的不同時間尺度來說，時間偏移量會有所不同。對于分鐘級的原始數(shù)據(jù)是當(dāng)前時刻距該天0:00的分鐘數(shù)，對于小時級的數(shù)據(jù)則是當(dāng)天的小時數(shù)，對于日數(shù)據(jù)則是對應(yīng)的天數(shù)。

(6) LSTM模型訓(xùn)練。本文的LSTM預(yù)測模型包含2層LSTM單元，之后接一個單一神經(jīng)單元的全連接層作為用氣量預(yù)測模型的輸出層，從輸出層得到的結(jié)果再經(jīng)反歸一化得到最終的預(yù)測值。模型的激活函數(shù)選定為Relu函數(shù)，batch_size為64，訓(xùn)練次數(shù)(epoch)為500。本文的LSTM模型都建立在Keras庫的基礎(chǔ)上，以TensorFlow為后端通過Python 3.6語言進(jìn)行編寫。

(7) 預(yù)測模型的評估方法。本文采用平均絕對百分誤差(Mean Absolute Percentage Error，MAPE)與均方根誤差(Root Mean Square Error，RMSE)作為模型準(zhǔn)確性的評價標(biāo)準(zhǔn)，公式表達(dá)如下：

(12)

(13)

(8) 分析不同尺度下特征選擇的差異。為了進(jìn)一步分析各個特征在不同尺度下的預(yù)測差異，將Time-Causality模型篩選得到各個特征與供熱用氣量歷史值作為模型的輸入維度分別進(jìn)行訓(xùn)練和預(yù)測。對其預(yù)測得到的RMSE值和MAPE值作為評估標(biāo)準(zhǔn)進(jìn)行分析。由于各個時間尺度下的RMSE值和MAPE值差異很大，需要對其進(jìn)行歸一化處理。本文采用的歸一化的方法是min-max最小值最大值標(biāo)準(zhǔn)化，使數(shù)據(jù)的值映射到[0,1]之間，表示為：

(14)

式中：xmin是所在尺度下最小的RMSE或MAPE；xmax是所在的時間尺度下RMSE或MAPE的最大值；x*為歸一化后得到的預(yù)測貢獻(xiàn)分?jǐn)?shù)。根據(jù)預(yù)測貢獻(xiàn)分?jǐn)?shù)的大小，進(jìn)一步分析各個特征在不同時間尺度下的預(yù)測作用。

3 實 驗

3.1 數(shù)據(jù)集與數(shù)據(jù)預(yù)處理

本文使用天津市某鍋爐房的供熱數(shù)據(jù)進(jìn)行測試，采集數(shù)據(jù)的時間間隔為分鐘級包括室外氣溫、用氣量、鍋爐房供水回水溫度、鍋爐房供水回水壓力等數(shù)據(jù)維度。實驗數(shù)據(jù)的時間范圍選取1月份4周的數(shù)據(jù)，其中前3周的數(shù)據(jù)作為模型的訓(xùn)練數(shù)據(jù)，第4周的數(shù)據(jù)作為模型的測試數(shù)據(jù)。為了從多時間尺度更好地分析供熱用氣量數(shù)據(jù)，除了原始采集數(shù)據(jù)外，選取時間尺度為10分鐘、1小時和1天。另外對于時間尺度為1天的數(shù)據(jù)，以11月份和12月份作為訓(xùn)練數(shù)據(jù)，1月份的4周數(shù)據(jù)作為測試數(shù)據(jù)。

為了對鍋爐房用氣量進(jìn)行分析與預(yù)測，要對數(shù)據(jù)進(jìn)行預(yù)處理，包括空值數(shù)據(jù)處理以及無效數(shù)據(jù)的處理等。由于各個維度數(shù)據(jù)大小差異很大，需要對數(shù)據(jù)進(jìn)行歸一化處理來減小誤差，提高預(yù)測精度。公式如下：

(15)

式中：xmin是原始的樣本數(shù)據(jù)分量的最小值；xmax是原始的樣本數(shù)據(jù)分量的最大值；x*是要輸入到神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)。當(dāng)數(shù)據(jù)進(jìn)行歸一化處理輸入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行預(yù)測時，需要對最后的預(yù)結(jié)果進(jìn)行反歸一化處理，保證和原來的輸入數(shù)據(jù)在同一個數(shù)量級，公式如下：

(16)

式中:yi為網(wǎng)絡(luò)輸出，采用歸一化后的數(shù)據(jù)進(jìn)行訓(xùn)練后，訓(xùn)練好的模型結(jié)構(gòu)值適用于歸一化后的數(shù)據(jù)，因此訓(xùn)前先對輸入值進(jìn)行歸一化處理，得到神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果對其值進(jìn)行反歸一化。

3.2 多時間尺度下特征選擇方法對比

本文選取主成分分析(PCA)特征降維法、Lasso算法、MARS算法、Granger分析法與本文提出的Time-Causality模型在原始數(shù)據(jù)、時間尺度為10分鐘、1小時和1天這四個時間尺度下，篩選在不同時間尺度下有助于對用氣量數(shù)據(jù)預(yù)測的有關(guān)特征，并將這些特征與用氣量的歷史觀測值一起作為LSTM的輸入變量對用氣量進(jìn)行預(yù)測。結(jié)果如表1、表2所示。而對于特征選取評價則通過LSTM預(yù)測模型的MAPE和RMSE的值進(jìn)一步評估。

表1 不同時間尺度下特征選擇方法預(yù)測結(jié)果的RMSE

表2 不同時間尺度下特征選擇方法預(yù)測結(jié)果的MAPE

實驗結(jié)果表明：無論是用RMSE還是用MAPE對預(yù)測結(jié)果評價，Granger分析法相比于PCA降維法、Lasso算法和MARS算法都可以在不同的時間尺度下篩選到更合適的特征。本文提出的Time-Causality方法的預(yù)測效果在不同時間尺度下都優(yōu)于Granger分析法，表明Time-Causality方法引入的時間維度可以提升供熱用氣量的預(yù)測效果。

3.3 多時間尺度下特征分析

本文利用Time-Causality模型篩選出有助于用氣量數(shù)據(jù)預(yù)測的特征，并進(jìn)一步分析在不同尺度下，篩選出的各個特征的預(yù)測作用。

表3為利用Time-Causality模型篩選的不同時間尺度下有助于預(yù)測用氣量數(shù)據(jù)的特征。在原始采集時間尺度下只有管網(wǎng)壓力和時間維度這兩個特征，而在10分鐘時間尺度下，有管網(wǎng)壓力、室外溫度、循環(huán)泵出口壓力和時間維度這4個特征；時間尺度放大到1小時，有室外溫度、循環(huán)泵出口壓力和時間維度這3個特征；對于時間尺度為1天的數(shù)據(jù)，只有室外溫度和時間維度這2個特征。

表3 Time-Causality模型所選特征

本文認(rèn)為，Granger分析只能證明兩個變量具有一定的Granger關(guān)系，而要進(jìn)一步分析各個特征對目標(biāo)序列的預(yù)測作用，需要實驗來比較驗證。本文將篩選的所有特征分別與用氣量的歷史值作為LSTM的輸入維度，進(jìn)一步構(gòu)建LSTM預(yù)測模型，通過每個模型的RMSE和MAPE的值對該模型進(jìn)行評估。另外，加入單變量預(yù)測以驗證特征的預(yù)測效果，也進(jìn)一步分析每個特征在該尺度下的預(yù)測作用，從而得出各個特征的預(yù)測作用隨著時間尺度增大的變化規(guī)律。

根據(jù)表4和表5可以得出，Time-Causality模型篩選的特征在不同時間尺度下訓(xùn)練預(yù)測的RMSE和MAPE。根據(jù)其RMSE和MAPE可以進(jìn)一步分析每個特征的預(yù)測作用隨尺度變化的影響變化。從結(jié)果上進(jìn)行分析，隨著時間尺度增大，管網(wǎng)壓力的預(yù)測作用減弱，而室外溫度的預(yù)測作用明顯增強。

表4 不同時間尺度下預(yù)測特征的RMSE結(jié)果

表5 不同時間尺度下預(yù)測特征的MAPE結(jié)果

圖5和圖6中的圓圈表示該時間尺度下Time-Causality模型沒有選擇該特征?？梢钥闯?，特征在不同尺度的預(yù)測作用并不相同。隨著時間尺度增大，室外溫度對供熱用氣量的預(yù)測作用在增大。管網(wǎng)壓力在原始分鐘級時間尺度的預(yù)測作用要高于其他特征，但隨時間尺度變大，預(yù)測作用在減弱。循環(huán)泵出口壓力的預(yù)測作用隨時間尺度增大，其預(yù)測作用也增大，但在時間尺度為1天的預(yù)測作用較弱。

圖5 特征隨時間尺度變化預(yù)測作用趨勢圖(RMSE標(biāo)準(zhǔn))

圖6 特征隨時間尺度變化預(yù)測作用趨勢圖(MAPE標(biāo)準(zhǔn))

4 結(jié) 語

本文引入了時間維度作為輸入維度并基于因果關(guān)系提出了Time-Causality預(yù)測模型，將篩選的特征與用氣量的歷史值作為輸入維度構(gòu)建LSTM的供熱用氣量預(yù)測模型。對比實驗表明，Time-Causality模型可以在不同時間尺度下篩選出更優(yōu)的特征，有助于供熱用氣量的預(yù)測，并且引入的時間維度可提升預(yù)測效果。本文又從原始采集分鐘級數(shù)據(jù)、10分鐘、1小時和1天不同時間尺度下，分析各個特征的預(yù)測作用。結(jié)果表明：不同時間尺度Time-Causality模型選用的特征不同，對于小時間尺度管網(wǎng)壓力預(yù)測作用明顯，對于大尺度下溫度預(yù)測作用明顯。同一特征在不同的時間尺度下的預(yù)測作用不同，如隨時間尺度變大，室外溫度的預(yù)測作用逐漸增強；而管網(wǎng)壓力維度情況則相反。

本文的實驗結(jié)果可以為供熱系統(tǒng)的用氣規(guī)律提供分析，具有實際的應(yīng)用價值，在提供優(yōu)質(zhì)供熱的基礎(chǔ)上，高效地利用能源。后續(xù)將嘗試構(gòu)建關(guān)于用氣量的Granger關(guān)系的分析圖，并從不同時刻分時間段的角度對用氣量數(shù)據(jù)進(jìn)行研究預(yù)測，從而更好地分析鍋爐房用氣量數(shù)據(jù)的特點以及供熱系統(tǒng)用氣規(guī)律。