相关实验视频
Updated: Jun 3, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
新型深度神经网络架构融合,同时预测短期和长期的能源消耗
Abrar Ahmed1, Safdar Ali1, Ali Raza1
1Department of Software Engineering, University of Lahore, Lahore, Pakistan.
PloS one
|January 8, 2025
概括
准确预测住宅能源消耗对于社会经济发展至关重要. 使用卷积神经网络 (CNN),长期短期记忆 (LSTM) 和双向LSTM (Bi-LSTM) 的新混合模型有效地预测了短期和长期的能源需求.
科学领域:
- 能源系统分析 能源系统分析
- 人工智能在能源中的作用
- 计算智能是一种计算智能.
背景情况:
- 随着能源需求的增加,社会经济发展需要准确的消费预测.
- 现有的模型往往优先考虑短期或长期的准确性,未能优化两者.
- 能源生产企业和消费者需要可靠的预测,以便做出明智的决策和提高效率.
研究的目的:
- 提出一种新的混合模型,用于同时进行短期和长期住宅能源消耗预测.
- 通过整合多种深度学习技术,提高能源消耗预测的准确性.
- 解决传统模型在优化短期和长期预测准确性方面的局限性.
主要方法:
- 开发一种混合模型,将卷积神经网络 (CNN),长短期记忆 (LSTM) 和双向LSTM (Bi-LSTM) 结合起来.
- 利用CNN用于模式发现,LSTM用于长期依赖,Bi-LSTM用于复杂的时间关系.
- 使用平均平方误差 (MSE) 和平均绝对误差 (MAE) 对模型性能进行实验评估.
主要成果:
- 拟议的混合模型实现了0.00035的最小平均平方误差 (MSE) 和0.0057.5的平均绝对误差 (MAE).
- 该模型在同时预测短期和长期能源消耗方面表现出卓越的性能.
- 实验评估证实了该模型能够捕捉复杂的时间和空间特征的能力.
结论:
- 新的混合CNN-LSTM-Bi-LSTM模型为短期和长期住宅能源消耗预测提供了更高的准确性.
- 这种综合方法有效地解决了同时预测的挑战,超过现有的最先进的模型.
- 这些发现支持采用先进的混合深度学习模型来优化能源管理和消耗.
