Short-Term Forecasting of Natural Gas Consumption Using Factor Selection Algorithm and Optimized Support Vector Regression
Notice bibliographique
Résumé
Forecasting of natural gas consumption has been essential for natural gas companies, customers, and governments. However, accurate forecasting of natural gas consumption is difficult, due to the cyclical change of the consumption and the complexity of the factors that influence the consumption. In this work, we constructed a hybrid artificial intelligence (AI) model to predict the short-term natural gas consumption and examine the effects of the factors in the consumption cycle. The proposed model combines factor selection algorithm (FSA), life genetic algorithm (LGA), and support vector regression (SVR), namely, as FSA-LGA-SVR. FSA is used to select factors automatically for different period based on correlation analysis. The LGA optimized SVR is utilized to provide the prediction of time series data. To avoid being trapped in local minima, the hyper-parameters of SVR are determined by LGA, which is enhanced due to newly added “learning” and “death” operations in conventional genetic algorithm. Additionally, in order to examine the effects of the factors in different period, we utilized the recent data of three big cities in Greece and divided the data into 12 subseries. The prediction results demonstrated that the proposed model can give a better performance of short-term natural gas consumption forecasting compared to the estimation value of existing models. Particularly, the mean absolute range normalized errors of the proposed model in Athens, Thessaloniki, and Larisa are 1.90%, 2.26%, and 2.12%, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».