|
|
|
|
کاربرد مدل‌های یادگیری عمیق در پیش‌بینی سری‌های زمانی اقتصادی اجتماعی مورد کاوی: سری زمانی اوج بار مصرفی خانگی
|
|
|
|
|
|
|
|
نویسنده
|
نشاط نجمه ,سرداری زارچی محسن ,محلوجی هاشم
|
|
منبع
|
مهندسي صنايع و مديريت شريف - 1399 - دوره : 36-1 - شماره : 1/2 - صفحه:103 -111
|
|
|
|
|
چکیده
|
این مطالعه به بررسی کارایی پیکره‌بندی مختلف شبکه‌های یادگیری عمیق (رویکرد برتر در مدل‌سازی و تخمین سری‌های زمانی اقتصادی اجتماعی) در حوزه‌ی پیش‌بینی می‌پردازد. در این مطالعه به‌منظور ملموس‌سازی رویکرد پیشنهادی از مدل‌سازی و پیش‌بینی اوج بار مصرفی خانگی در قالب موردکاوی استفاده شده است. نتایج حاکی از برتری توپولوژی شبکه ترکیبی از تمام متصل و بازگشتی بود که این برتری با توجه به ماهیت غیرخطی و پیچیده، وابستگی‌های قوی به داده‌های دوره‌های قبلی و همچنین وجود درجات متفاوتی از تاخیر در متغیرهای برون‌زای مسئله کاملاً توجیه‌پذیر است. نظر به این‌که در این مدل متغیرهای برون‌زایمدل) نماینده‌ی شرایط مختلف جوی (و متغیرهای مصنوعی) نماینده‌ی شرایط مختلف زمانی( نیز لحاظ شده است، از استواری قابل قبولی نسبت به مدل‌های ارائه شده در مطالعات قبلی برخوردار است.
|
|
کلیدواژه
|
شبکه‌های عصبی عمیق، پیش‌بینی، شبکه‌های تمام‌متصل، مدل عمیق ترکیبی، بار اوج مصرفی
|
|
آدرس
|
دانشگاه میبد, گروه مهندسی صنایع (سیستم‌ها), ایران, دانشگاه صنعتی شریف, گروه مهندسی کامپیوتر, ایران, دانشگاه صنعتی شریف, دانشکده مهندسی صنایع, ایران
|
|
پست الکترونیکی
|
mahloji@sharif.edu
|
|
|
|
|
|
|
|
|
|
|
|
|
|
APPLICATION OF DEEP LEARNING MODELS BASED ON FULLYCONNECTED AND RECURRENT NEURAL NETWORKS TO RESIDUAL PEAK LOAD FORECASTING
|
|
|
|
|
Authors
|
Mahlooji H. ,Neshat N.
|
|
Abstract
|
This study examines the efficiency of various topologies of deep learning networks (a superior approach to modeling and fitting socioeconomic time series) in load demand forecasting using the data collected from a fouryear period of households in Kurdistan City, Iran. Since the consumption pattern is a nonlinear and complex curve with a strong delayed dependency pattern, its prediction is not accurate by conventional statistical methods and the error reduction of this prediction has a significant effect on reducing production costs, unwanted squandering and fines. In this study, fullconnected, recurrent, and also hybrid of them were investigated using the mean efficiency of absolute error percentage and mean square error index. When the input of the neural network was in the form of tensor, designing the structure of the deep neural network would be straightforward. In this case, the network can be implemented with a linear stack of layers sequentially. Although the sequential the sequential model is so common, it is inflexible when the input data is not in the form of tensor, e.g., Figure 4. Besides, in a forecasting model, each determinant might need a different type of neural networks such as CNN, LSTM or GRU. To overcome this challenge, we innovatively proposed parallel deep branches in our framework to represent the history of each determinant individually. The parallel branches process their determinants by using RNN and Dense networks. Then, the branches were merged together through concatenated and dense layers. The results indicated the superiority of the network topology as a combination of all connected and reciprocating models for modeling and predicting consumption. This superiority, due to the nonlinear nature of complexity, the strong attachment to the data of previous periods, and the existence of different degrees of delay in the exogenous variables of the problem can be fully justified. Considering that for excited peak load prediction, exogenous variables of the model (representing different atmospheric conditions) and artificial variables are included, this model has acceptable stability, compared to the models presented in previous studies.
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|