基于加权知识迁移的假日负荷预测学习框架

**

基于加权知识迁移的假日负荷预测学习框架

**
基于假期负荷预测的两大难点：
一方面，由于人类活动的巨大变化，假日和非假日的负荷变化规律有很大的不同。另一方面，节假日的历史负荷数据总是有限的。这叫做稀疏数据问题。

在本文中提出了一种基于加权知识迁移的假日负荷预测学习框架。首先，引入一个新的假日特征来表示假日负荷的转折点，从而解决了假日负荷预测的第一个问题。此外，通过加权将历史假日数据从源城市转移到目标城市，可以在不影响非假日负荷预测性能的前提下，适当丰富稀疏假日数据集，提高假日负荷预测精度。最后，提出了一个预测框架HWT-SVR（假期加权迁移学习），该框架可以对不同来源的假期负荷数据赋予不同的权重。不同的权重反映了目标城市和源城市不同训练样本对目标城市假日负荷数据的相关影响程度，体现了不同负荷数据的本质属性。这样，我们可以得到一个更准确的预测模型。此外，利用我们提出的改进的TrAdaBoost算法，我们解决了某些城市出现的负迁移现象。

基于HWT-SVR的预测框架的具体步骤描述如下…

• 步骤1：纠正异常数据，并使用
  
  缩放校正数据(标准化)

• 步骤2：提取数据实例的标签部分，并为所有城市使用
  
  构造向量。（每个时刻标签的集合）

• 步骤3：使用
  
  
  计算目标城市和候选源城市之间的相似性，并根据我们所找出的相似性对候选源城市进行排序。(|…|,目标城市与源城市时刻k特征之间的距离，相似性度量使用的的灰色相似度分析，k为时刻https://www.cnblogs.com/wangleBlogs/p/10431336.html)

• 步骤4：使用优化
  
  确定所选的源城市的数量；然后，根据步骤3的排序顺序选择适当的城市作为转移城市。（m和n分别是要选择的源城市数量和候选源城市数量，MAPE（m，n）是基于HWT-SVR预测的m个城市的平均绝对百分比误差）

• 步骤5：根据（3)创建数据集，删除源城市中的所有非节假日实例，并根据
  
  
  计算每个训练实例的权重。（W1，W2，，，W6星期，L1，L2…L7前7天历史数据，H1假日数据，H2假日的转折点，与之前最大的不同就是，除了标志假日数据外，还标志出假日数据的第一天，因为第一天出现很大的负荷转折）(wi使用的是皮尔逊相关系数)

• 步骤6：使用k均值算法对数据集进行分区，并对HWT-SVR模型进行步骤5和相应数据集的权重训练。

• 步骤7：使用步骤6中的HWT-SVR模型预测目标城市的负荷。（WSVR即：在最小化损失函数时对不同样本的误差赋予不同的权重)）

• 步骤8：用改进的TrAdaBoost算法重新调整负转移城市数据集的权重；然后，训练HWT-SVM模型，并预测负载。（TrAdaBoost：https://www.cnblogs.com/bonelee/p/8921579.htmlhttps://www.cnblogs.com/bonelee/p/8921579.html））

【3】A learning framework based on weighted knowledge transfer for holiday load forecasting