作为一项通过分析历史数据推测未来时序变化的关键技术,时间序列预测在能源管理、交通流量预测、金融市场价格分析及气象变化模拟等科学与工程领域具有不可替代的价值。深度学习技术的引入则显著提升了预测模型的精度,但其对大规模标注...作为一项通过分析历史数据推测未来时序变化的关键技术,时间序列预测在能源管理、交通流量预测、金融市场价格分析及气象变化模拟等科学与工程领域具有不可替代的价值。深度学习技术的引入则显著提升了预测模型的精度,但其对大规模标注数据的高度依赖性,使得在现实场景中(尤其是少样本条件下)的应用仍存在显著局限性。尽管图像与文本领域的少样本学习研究已取得显著进展,但面向时间序列预测的少样本学习方法尚未形成完备的方法体系。时间序列数据因蕴含独特的时域(趋势)与频域(季节性)特征,难以直接迁移其他模态的少样本学习策略。为此,本文提出一种基于时频域数据增强的少样本时间序列预测架构,通过解耦与增强时序数据的趋势及季节成分以增加数据多样性。首先,通过时间序列分解技术将原始数据解耦为趋势分量和季节性分量;其次,设计时域混合(Mix-up)增强策略对趋势分量进行线性插值扰动,并利用主导频率打乱(Dominant-Shuffle)方法对季节分量的频谱施加可控噪声;最后,通过分量重组构建时域、频域及时频域混合增强样本;在四个基准数据集ETTh1、ETTm2、Weather和Electricity上的实验表明,本方法可显著提升多种前沿预测模型的少样本性能。与基于大语言模型(Large Language Model,LLM)的基线方法相比,本方法驱动下的轻量级模型在80%的场景中实现预测精度超越,同时显著降低了计算成本。展开更多
对于用能数据不足的综合能源系统,借助相似系统的丰富数据可以为其建立高精度的多元负荷预测模型,然而,受数据安全等因素的限制,很多系统并不愿意共享自身数据。联邦学习为处理隐私保护下的少数据综合能源多元负荷预测问题提供了一个重...对于用能数据不足的综合能源系统,借助相似系统的丰富数据可以为其建立高精度的多元负荷预测模型,然而,受数据安全等因素的限制,很多系统并不愿意共享自身数据。联邦学习为处理隐私保护下的少数据综合能源多元负荷预测问题提供了一个重要的思路,但是现有方法依然存在相似参与方识别精度不高等不足。鉴于此,本文提出一种融合联邦学习和长短期记忆网络(long short-term memory,LSTM)的少数据综合能源多元负荷预测方法(multitask learning based on shared dot product confidentiality under federated learning,MT-SDPFL)。首先,给出一种基于共享向量点积保密协议的相似参与方识别方法,用来从诸多可用的综合能源系统中选出最为相似的参与方;接着,使用参数共享联邦学习算法对选中的各参与方联合训练,结合LSTM和finetune技术建立每个参与方的多元负荷预测模型。将所提方法应用于多个实际能源系统,实验结果表明,该方法可以在数据稀疏的情况下取得高精度的多源负荷预测结果。展开更多
文摘作为一项通过分析历史数据推测未来时序变化的关键技术,时间序列预测在能源管理、交通流量预测、金融市场价格分析及气象变化模拟等科学与工程领域具有不可替代的价值。深度学习技术的引入则显著提升了预测模型的精度,但其对大规模标注数据的高度依赖性,使得在现实场景中(尤其是少样本条件下)的应用仍存在显著局限性。尽管图像与文本领域的少样本学习研究已取得显著进展,但面向时间序列预测的少样本学习方法尚未形成完备的方法体系。时间序列数据因蕴含独特的时域(趋势)与频域(季节性)特征,难以直接迁移其他模态的少样本学习策略。为此,本文提出一种基于时频域数据增强的少样本时间序列预测架构,通过解耦与增强时序数据的趋势及季节成分以增加数据多样性。首先,通过时间序列分解技术将原始数据解耦为趋势分量和季节性分量;其次,设计时域混合(Mix-up)增强策略对趋势分量进行线性插值扰动,并利用主导频率打乱(Dominant-Shuffle)方法对季节分量的频谱施加可控噪声;最后,通过分量重组构建时域、频域及时频域混合增强样本;在四个基准数据集ETTh1、ETTm2、Weather和Electricity上的实验表明,本方法可显著提升多种前沿预测模型的少样本性能。与基于大语言模型(Large Language Model,LLM)的基线方法相比,本方法驱动下的轻量级模型在80%的场景中实现预测精度超越,同时显著降低了计算成本。
文摘对于用能数据不足的综合能源系统,借助相似系统的丰富数据可以为其建立高精度的多元负荷预测模型,然而,受数据安全等因素的限制,很多系统并不愿意共享自身数据。联邦学习为处理隐私保护下的少数据综合能源多元负荷预测问题提供了一个重要的思路,但是现有方法依然存在相似参与方识别精度不高等不足。鉴于此,本文提出一种融合联邦学习和长短期记忆网络(long short-term memory,LSTM)的少数据综合能源多元负荷预测方法(multitask learning based on shared dot product confidentiality under federated learning,MT-SDPFL)。首先,给出一种基于共享向量点积保密协议的相似参与方识别方法,用来从诸多可用的综合能源系统中选出最为相似的参与方;接着,使用参数共享联邦学习算法对选中的各参与方联合训练,结合LSTM和finetune技术建立每个参与方的多元负荷预测模型。将所提方法应用于多个实际能源系统,实验结果表明,该方法可以在数据稀疏的情况下取得高精度的多源负荷预测结果。
