|
二郎真君腾云去，天蓬元帅驾雾来。若不想像地球一样被流浪，就要做好“负荷预测”这一条，这样才能在电力市场浪。 新年新气象，我们负荷预测小组也在锐意进取，不断地推陈出新，努力的探索着新的模型、新的方法，获得新的成果。 今天给大家介绍一下这个新的时间序列预测的工具：Prophet（这可是facebook开源的哦）。俗话说：大厂出品，必属精品。那prophet的效果怎么样呢，不用看大屏幕，往下翻就是了。 Prophet（先知）到底是一个怎样的工具呢？我们先来看一下官方的介绍： Tool for producing high quality forecasts for time series data that has multiple seasonality with linear or non-linear growth. 为具有线性或非线性增长的多重季节性的时间序列数据提供高质量预测的工具。 看不懂没关系，下面就给大家简单的解释一下： 在时间序列分析领域，有一种比较常见的分析方法叫时间序列分解模型，也就是把随着时间变化的数据（在我们这里就是负荷）分解成如下图示的四部分： 时间序列是由这四部分进行数学运算的结果：通常有相加，相乘，和取对数的结果。 这个就好比结婚后的两个人，在某些场景下比如日常开销是两人相加，另外一些场景比如秀恩爱时幸福感是两人相乘，当然如果闹情绪了，幸福感估计得取对数……. 这个跟现在某投资机构投资一个创业公司，PPT上都会写上“投资机构×某某公司”是一样的道理。 文字描述比较抽象，我们看图：下图上面是趋势项，下面是季节变动项。使用回归的方法拟合趋势项，预测未来的趋势项的值，再加上周期项得到预测的时间序列。 图一 Prophet就是在这基础上做了一定的改进和优化，使用线性回归和逻辑回归对趋势项进行预测，同时考虑了节假日效应的分析。鉴于大家对上期的反响（写的太不具有鸡汤属性），这些就不对其技术原理做深入介绍了。 这一期我们选取房地产行业在春节时段的负荷。看到这个选题，小编在波澜不惊的表情下面瑟瑟发抖：光看“春节期间”、“2018年的房地产”就知道负荷有多么的不稳定。为了非伤害目的的对比，我们自己建立的ARIMA趋势分解模型，跟Prophet模型的预测结果放一起奉献给大家。 先看一下2019从开年到春节期间，这段时间该行业负荷的真实值情况，如下图二示。 图二 如你所见，走的是拉风的“微软”路线，2月3号后趋向平稳。并且从日用电规律来看，春节期间和之前序列的周期性发生了明显的变化，周期的幅度大幅减小。 而趋势分解的方法要求周期规律是稳定的，所以使用非春节的历史负荷训练的模型来预测春节的负荷的时候会出现一个问题：周期项的周期幅度会过大。现在让我们看下结果： 图三 上面说过Prophet在分解的时候将节假日的情况也单独分解出来了，同时为了消除非春节的历史数据集对春节的影响，我们使用变化规律比较稳定的时段作为训练集， 使用线性回归取预测趋势项。 可以看到在1月30日~2月2日和2月3日~2月6日这两个时段预测值的趋势变化是线性的，而在2月2日前后，真实值并不是完全线性的，所以预测出来的准确率会低一些，这个结果也在意料之中。 图四 我们在使用ARIMA趋势分解建模的时候，使用ARIMA去预测趋势项。同时为了应对周期规律变化的问题，取预测时间的近期数据来计算周期项，作为预测的周期项，再进行计算，这样得到的周期项会更加贴近预测当天的周期规律。 可以看出：两种方法都能够比较好的反映出时间序列的趋势变化和周期性规律，对具有周期性的时间序列，有显著的效果。即使在面对春节这样周期性规律变化比较大的场景下，也可以得到我们预期的效果。 使用ARIMA对趋势项进行预测，效果会略好一些。这个结论是给小编最幸福的安慰。 当然，以后我们的模型会越来越好，越来越完善，同时欢迎有兴趣的各位前来交流讨论。下期我们将会介绍 BSTS贝叶斯结构时间序列模型（Bayesian Structural Time Series），敬请期待。 本文版权归“汇电云联”所有，转载请联系作者。 |
|
|
