type
status
summary
date
slug
tags
category
icon
password
论文1：深度学习大模型以中国西北地区为例对太阳能和风能的预测
1.研究背景和动机
（1 全球气温上升，推进了对于可再生能源的需求
（2太阳能和风能作为主要的可再生能源，在近些年的，特别是中国大力发展可再生能源，致力于在不远的将来实现碳中和
（3 由于太阳能和风能的时空不确定性，准确预测这些能源的输出对于对这些能源进行规划和管理有着至关重要的作用
(4 对于其他能源来说太阳能和风能成本比较低廉，技术要求又比较少，在近些年来的装机容量占据了重要份额
2.论文中是如何研究的
论文中提出的模型是：ASTGNN-LSTM模型，是一种基于注意力的时空图神经网络-长短期记忆（ASTGNN-LSTM）模型，用于预测风速和太阳辐射。
文中提到，图神经网络模型被应用于太阳辐射和风俗预测，长短期记忆网络模型在清洁能源预测中非常有效，使得它对于风速和太阳辐射的预测也很有效果
这个研究本意是通过结合者两个模型，推出一个在时间和空间上结合的模型，提出一个更加完善的框架
但是由于这两个模型联合使用的预测太阳能和风能预测研究有限，引入了注意力机制的模型，基于注意力的空间-时间图神经网络-长短期记忆（ASTGNN-LSTM），通过动态的为节点或边分配权重，从而改善特征选择和组合
这篇文章提出想要开发一种新型的ASTGNN-LSTM模型
这个模型有注意力机制，可以用来预测太阳能和风能得潜力，通过历史平均值，自回归综合移动平均模型和GCN-LSTM进行比较来证明他的优势，并且需要通过调整隐藏层和学习率来优化模型，并且结合敏感分析和消融测试来苹果模型参数得影响
3.模型比较和优化
历史平均模型（HA）：
一种简单的时间序列预测方法，使用历史数据的平均值作为预测值。
优点：简单易实现；缺点：忽略时间和空间相关性，对复杂数据效果较差。
自回归积分滑动平均模型（ARIMA）：
一种经典的时间序列预测模型，结合自回归（AR）、差分（I）和滑动平均（MA）组件。
优点：能捕捉时间序列中的趋势和季节性；缺点：无法处理空间数据。
图卷积网络-长短期记忆模型（GCN-LSTM）：
结合图卷积网络（GCN）和长短期记忆网络（LSTM），用于捕捉数据中的空间和时间依赖关系。
优点：能处理非欧几里得空间数据（如图结构）和时间序列数据；缺点：未引入注意力机制。
基于注意力的时空图神经网络-长短期记忆模型（ASTGNN-LSTM）：
在GCN-LSTM的基础上引入注意力机制，动态调整节点权重，增强特征选择能力。
优点：能更好地捕捉复杂的时空依赖关系，提升预测性能。
其中评估好坏的值：
平均相对误差（MRE）：
预测值与真实值之间的相对误差的平均值，用于衡量预测的偏差。
均方误差（MSE）：
预测值与真实值之间的平方差的平均值，用于衡量预测的精度。
均方根误差（RMSE）：
MSE的平方根，用于衡量预测的误差大小。
平均绝对误差（MAE）：
预测值与真实值之间的绝对差的平均值，用于衡量预测的误差幅度。
决定系数（R²）：
衡量模型对数据的拟合优度，值越接近1表示模型拟合效果越好。
消融测试：
移除组件来判断各个组件对于模型的贡献和功能
其中历史平均模型（HA）
ARIMA模型：利用自回归，差分，移动平均三个组成部分来进行时间序列上预测，可以相对解决时间上的季节性问题
图卷积神经网络（GCNs）基于卷积神经网络来管理非结构化数据，他们通常用于图像处理，传统的CNNS能够对具有固定结构的数据进行建模和预测，但是无法处理非欧几里得空间结构（比如时间序列？）
欧几里得结构就是现实中的一维空间，二维空间等
GCNs引入了基于信息传播机制的卷积，其中每个节点的状态通过
- Author:PytC
- URL:https://PytC.fun//article/18449b4c-fd33-8068-8ab1-d6513ec9020d
- Copyright:All articles in this blog, except for special statements, adopt BY-NC-SA agreement. Please indicate the source!