时间序列分析-能源数据:能源预测的不同时间序列模型的比较

上传者: 42118701 | 上传时间: 2023-01-04 09:35:01 | 文件大小: 467KB | 文件类型: ZIP
介绍 未来数据的预测在能源领域非常重要,因为有关未来消费和发电趋势的信息可以帮助规划电厂的运营。 该分析比较了各种模型进行时间序列预测,以确定哪种模型效果最好 数据 数据来自Kaggle: ://www.kaggle.com/robikscube/hourly-energy-consumption包含兆瓦(MW)中各种电力公司的能耗读数。 代顿数据集已用于此分析。 但是,最后将包含所有电力公司数据的主数据集用于实验模型。 数据探索 数据从2005年到2018年大约开始,并且每小时记录一次。 分析 使用的4个模型是FBProphet,XGBoost,递归神经网络(RNN)和长期短期记忆(LSTM)(RNN的变体)。数据在使用前已进行了标准化。 FBProphet,RNN和LSTM模型可以按原样使用时间戳数据,但是XGBoost需要将时间戳分解为单独的组件。 所有这些模型都已在Dayton数

文件下载

资源详情

[{"title":"( 9 个子文件 467KB ) 时间序列分析-能源数据:能源预测的不同时间序列模型的比较","children":[{"title":"Timeseries-Analysis-Energy-Data-master","children":[{"title":"pic1dayton.png <span style='color:#111;'> 28.35KB </span>","children":null,"spread":false},{"title":"xgboost2.png <span style='color:#111;'> 162.90KB </span>","children":null,"spread":false},{"title":"lstm.png <span style='color:#111;'> 64.44KB </span>","children":null,"spread":false},{"title":"prophet.png <span style='color:#111;'> 59.44KB </span>","children":null,"spread":false},{"title":"xgboost.png <span style='color:#111;'> 40.27KB </span>","children":null,"spread":false},{"title":"rnn.png <span style='color:#111;'> 63.85KB </span>","children":null,"spread":false},{"title":"rmse.png <span style='color:#111;'> 7.34KB </span>","children":null,"spread":false},{"title":"README.md <span style='color:#111;'> 2.61KB </span>","children":null,"spread":false},{"title":"dayton_hourly.png <span style='color:#111;'> 50.29KB </span>","children":null,"spread":false}],"spread":true}],"spread":true}]

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明