典型文献
一种基于SARIMA-LSTM模型的电网主机负载预测方法
文献摘要：
随着智能电网的不断发展,如何提高对信息设备运行状态的预测准确率以及设置适应数据变化的动态阈值区间是电网IT运维面临的巨大挑战.为了解决这些问题,提出了组合时间序列预测模型(SARIMA-LSTM),即在传统周期性ARIMA模型(SARIMA)的基础上,引入深度学习领域的LSTM模型,并摒弃了过去精度低、效果差的误差拟合方法,使用误差自回归方法来补偿预测结果.该模型可以学习到传统ARIMA模型无法捕捉到的误差波动规律,解决其无法预测非线性数据的问题.实验结果表明,在实际预测电网内存负载数据时,与ARIMA模型和SAIRIMA模型相比,SARIMA-LSTM模型可以实现更高的预测精度.
文献关键词：
时间序列;负载预测;周期差分移动平均自回归模型;误差补偿;长短期记忆网络
中图分类号：
作者姓名：
王堃;郑晨;张立中;陈志刚
作者机构：
中南大学计算机学院,湖南长沙 410083;国网宁夏电力有限信息通信公司,宁夏银川 753000
文献出处：
引用格式：
[1]王堃;郑晨;张立中;陈志刚-.一种基于SARIMA-LSTM模型的电网主机负载预测方法)[J].计算机工程与科学,2022(11):2064-2070
A类：
SAIRIMA,周期差分移动平均自回归模型
B类：
SARIMA,网主,主机,负载预测,智能电网,信息设备,设备运行状态,预测准确率,数据变化,动态阈值,阈值区间,IT,维面,时间序列预测模型,学习领域,摒弃,拟合方法,捕捉到,波动规律,网内,负载数据,误差补偿,长短期记忆网络
AB值：
0.347948
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
