现代物联网（IoT）环境通过大量IoT启用的传感设备进行监视，并根据计算能力和能源的数据采集和处理基础架构设置限制。为了减轻此问题，通常将传感器配置为以相对较低的采样频率运行，从而减少了一组观测值。然而，这可能会妨碍随后的决策，例如预测。为了解决这一问题，在这项工作中，我们评估了在高度不确定的情况下的短期预测，即，传感器流的数量远高于观测值的数量。相对于五个不同的现实世界数据集的最终预测准确性，对几种统计，机器学习和基于神经网络的模型进行了彻底检查。将重点放在统一的实验协议上，专门针对物联网边缘的多个时间序列的短期预测设计。所提出的框架可以被视为在资源约束的物联网应用程序中建立可靠的预测策略的重要步骤。

预测住宅功率使用对于辅助智能电网来管理和保护能量以确保有效使用的必不可少。客户级别的准确能量预测将直接反映电网系统的效率，但由于许多影响因素，例如气象和占用模式，预测建筑能源使用是复杂的任务。在成瘾中，鉴于多传感器环境的出现以及能量消费者和智能电网之间的两种方式通信，在能量互联网（IOE）中，高维时间序列越来越多地出现。因此，能够计算高维时间序列的方法在智能建筑和IOE应用中具有很大的价值。模糊时间序列（FTS）模型作为数据驱动的非参数模型的易于实现和高精度。不幸的是，如果所有功能用于训练模型，现有的FTS模型可能是不可行的。我们通过将原始高维数据投入低维嵌入空间并在该低维表示中使用多变量FTS方法来提出一种用于处理高维时间序列的新方法。组合这些技术使得能够更好地表示多变量时间序列的复杂内容和更准确的预测。

在本文中，我们提出了一种基于短期内存网络的长期方法，以根据过去的测量值预测公共建筑物的能源消耗。我们的方法包括三个主要步骤：数据处理步骤，培训和验证步骤，最后是预测步骤。我们在一个数据集上测试了我们的方法，该数据集由英国国家档案馆的主要建筑物的主要建筑物，在KEW中，作为评估指标，我们使用了平均绝对错误（MAE）和平均绝对百分比错误（Mape）。

随着高级数字技术的蓬勃发展，用户以及能源分销商有可能获得有关家庭用电的详细信息。这些技术也可以用来预测家庭用电量（又称负载）。在本文中，我们研究了变分模式分解和深度学习技术的使用，以提高负载预测问题的准确性。尽管在文献中已经研究了这个问题，但选择适当的分解水平和提供更好预测性能的深度学习技术的关注较少。这项研究通过研究六个分解水平和五个不同的深度学习网络的影响来弥合这一差距。首先，使用变分模式分解将原始负载轮廓分解为固有模式函数，以减轻其非平稳方面。然后，白天，小时和过去的电力消耗数据作为三维输入序列馈送到四级小波分解网络模型。最后，将与不同固有模式函数相关的预测序列组合在一起以形成聚合预测序列。使用摩洛哥建筑物的电力消耗数据集（MORED）的五个摩洛哥家庭的负载曲线评估了该方法，并根据最新的时间序列模型和基线持久性模型进行了基准测试。

电力是一种波动的电源，需要短期和长期的精力计划和资源管理。更具体地说，在短期，准确的即时能源消耗中，预测极大地提高了建筑物的效率，为采用可再生能源提供了新的途径。在这方面，数据驱动的方法，即基于机器学习的方法，开始优先于更传统的方法，因为它们不仅提供了更简化的部署方式，而且还提供了最新的结果。从这个意义上讲，这项工作应用和比较了几种深度学习算法，LSTM，CNN，CNN-LSTM和TCN的性能，在制造业内的一个真实测试中。实验结果表明，TCN是预测短期即时能源消耗的最可靠方法。

由于人口和全球化的增加，对能源的需求大大增加。因此，准确的能源消耗预测已成为政府规划，减少能源浪费和能源管理系统稳定运行的基本先决条件。在这项工作中，我们介绍了对家庭能耗的时间序列预测的主要机器学习模型的比较分析。具体来说，我们使用WEKA（一种数据挖掘工具）首先将模型应用于Kaggle数据科学界可获得的小时和每日家庭能源消耗数据集。应用的模型是：多层感知器，K最近的邻居回归，支持向量回归，线性回归和高斯过程。其次，我们还在Python实施了时间序列预测模型Arima和Var，以预测有或没有天气数据的韩国家庭能源消耗。我们的结果表明，预测能源消耗预测的最佳方法是支持向量回归，然后是多层感知器和高斯过程回归。

Mobile traffic prediction is of great importance on the path of enabling 5G mobile networks to perform smart and efficient infrastructure planning and management. However, available data are limited to base station logging information. Hence, training methods for generating high-quality predictions that can generalize to new observations on different parties are in demand. Traditional approaches require collecting measurements from different base stations and sending them to a central entity, followed by performing machine learning operations using the received data. The dissemination of local observations raises privacy, confidentiality, and performance concerns, hindering the applicability of machine learning techniques. Various distributed learning methods have been proposed to address this issue, but their application to traffic prediction has yet to be explored. In this work, we study the effectiveness of federated learning applied to raw base station aggregated LTE data for time-series forecasting. We evaluate one-step predictions using 5 different neural network architectures trained with a federated setting on non-iid data. The presented algorithms have been submitted to the Global Federated Traffic Prediction for 5G and Beyond Challenge. Our results show that the learning architectures adapted to the federated setting achieve equivalent prediction error to the centralized setting, pre-processing techniques on base stations lead to higher forecasting accuracy, while state-of-the-art aggregators do not outperform simple approaches.

With the evolution of power systems as it is becoming more intelligent and interactive system while increasing in flexibility with a larger penetration of renewable energy sources, demand prediction on a short-term resolution will inevitably become more and more crucial in designing and managing the future grid, especially when it comes to an individual household level. Projecting the demand for electricity for a single energy user, as opposed to the aggregated power consumption of residential load on a wide scale, is difficult because of a considerable number of volatile and uncertain factors. This paper proposes a customized GRU (Gated Recurrent Unit) and Long Short-Term Memory (LSTM) architecture to address this challenging problem. LSTM and GRU are comparatively newer and among the most well-adopted deep learning approaches. The electricity consumption datasets were obtained from individual household smart meters. The comparison shows that the LSTM model performs better for home-level forecasting than alternative prediction techniques-GRU in this case. To compare the NN-based models with contrast to the conventional statistical technique-based model, ARIMA based model was also developed and benchmarked with LSTM and GRU model outcomes in this study to show the performance of the proposed model on the collected time series data.

基于机器学习（ML）的智能仪表数据分析对于先进的计量基础设施（AMI）中的能源管理和需求 - 响应应用非常有前途。开发AMI的分布式ML应用程序中的一个关键挑战是保留用户隐私，同时允许有效的最终用户参与。本文解决了这一挑战，并为AMI中的ML应用程序提出了隐私保留的联合学习框架。我们将每个智能仪表视为托管使用中央聚合器或数据集中器的信息的ML应用程序的联邦边缘设备。而不是传输智能仪表感测的原始数据，ML模型权重被传送到聚合器以保护隐私。聚合器处理这些参数以设计可以在每个边缘设备处替换的鲁棒ML模型。我们还讨论了在共享ML模型参数的同时提高隐私和提高通信效率的策略，适用于AMI中的网络连接相对较慢。我们展示了在联合案例联盟ML（FML）应用程序上的提议框架，其提高了短期负荷预测（STLF）。我们使用长期内存（LSTM）经常性神经网络（RNN）模型进行STLF。在我们的体系结构中，我们假设有一个聚合器连接到一组智能电表。聚合器使用从联合智能仪表接收的学习模型渐变，以生成聚合，鲁棒RNN模型，其提高了个人和聚合STLF的预测精度。我们的结果表明，通过FML，预测精度增加，同时保留最终用户的数据隐私。

地下水位预测是一个应用时间序列预测任务，具有重要的社会影响，以优化水管理以及防止某些自然灾害：例如，洪水或严重的干旱。在文献中已经报告了机器学习方法以实现这项任务，但它们仅专注于单个位置的地下水水平的预测。一种全球预测方法旨在利用从各个位置的地下水级时序列序列，一次在一个地方或一次在几个地方产生预测。鉴于全球预测方法在著名的竞争中取得了成功，因此在地下水级别的预测上进行评估并查看它们与本地方法的比较是有意义的。在这项工作中，我们创建了一个1026地下水级时序列的数据集。每个时间序列都是由每日测量地下水水平和两个外源变量，降雨和蒸散量制成的。该数据集可向社区提供可重现性和进一步评估。为了确定最佳的配置，可以有效地预测完整的时间序列的地下水水平，我们比较了包括本地和全球时间序列预测方法在内的不同预测因子。我们评估了外源变量的影响。我们的结果分析表明，通过训练过去的地下水位和降雨数据的全球方法获得最佳预测。

负载预测是能源行业中执行的一项重要任务，以帮助平衡供应并保持电网的稳定负载。随着供应过渡向不太可靠的可再生能源产生，智能电表将证明是促进这些预测任务的重要组成部分。但是，在隐私意识的消费者中，智能电表的采用率很低，这些消费者害怕侵犯其细粒度的消费数据。在这项工作中，我们建议并探索一种基于联合学习的方法（FL）方法，以分布式协作方式培训预测模型，同时保留基础数据的隐私。我们比较了两种方法：FL和聚集的变体FL+HC与非私有的，集中的学习方法和完全私人的本地化学习方法。在这些方法中，我们使用RMSE和计算效率测量模型性能。此外，我们建议FL策略之后是个性化步骤，并表明可以通过这样做可以提高模型性能。我们表明，FL+HC紧随其后的是个性化可以实现$ \ sim $ 5 \％的模型性能提高，而与本地化学习相比，计算$ \ sim $ 10倍。最后，我们提供有关私人汇总预测的建议，以构建私人端到端负载预测应用程序。

Algorithms that involve both forecasting and optimization are at the core of solutions to many difficult real-world problems, such as in supply chains (inventory optimization), traffic, and in the transition towards carbon-free energy generation in battery/load/production scheduling in sustainable energy systems. Typically, in these scenarios we want to solve an optimization problem that depends on unknown future values, which therefore need to be forecast. As both forecasting and optimization are difficult problems in their own right, relatively few research has been done in this area. This paper presents the findings of the ``IEEE-CIS Technical Challenge on Predict+Optimize for Renewable Energy Scheduling," held in 2021. We present a comparison and evaluation of the seven highest-ranked solutions in the competition, to provide researchers with a benchmark problem and to establish the state of the art for this benchmark, with the aim to foster and facilitate research in this area. The competition used data from the Monash Microgrid, as well as weather data and energy market data. It then focused on two main challenges: forecasting renewable energy production and demand, and obtaining an optimal schedule for the activities (lectures) and on-site batteries that lead to the lowest cost of energy. The most accurate forecasts were obtained by gradient-boosted tree and random forest models, and optimization was mostly performed using mixed integer linear and quadratic programming. The winning method predicted different scenarios and optimized over all scenarios jointly using a sample average approximation method.

在时间序列预测的背景下，常用做法是评估多种方法，并选择其中一种方法或用于产生最佳预测的合奏。然而，在多种方法中选择不同的集合仍然是当方法的数量增加时，仍然是经历组合爆炸的具有挑战性的任务。在需求预测或收入预测的背景下，这一挑战在大量时间序列以及由于不断变化的业务环境而获得的有限的历史数据点，进一步加剧。虽然深入学习预测方法旨在同时预测大量时间序列，但由于有限的历史可用，可能不会产生理想的结果，它们变得挑战。我们提出了一种通过在使用交叉验证的潜在时间序列上组合低级时间矩阵分解和最佳模型选择来预测短高维时间序列数据的框架。我们展示预测潜在因子与直接应用于时间序列的不同UNI变化模型相比，潜在因子导致显着的性能提升。在M4月数据集的截断版本上验证了性能，其中包含来自来自多个域的时间序列数据，显示该方法的一般适用性。此外，由于在将预测方法直接应用于高维数据集时通常是不切实际的潜在因子而言，可以将未来的分析师视图纳入未来的分析师观。

A well-performing prediction model is vital for a recommendation system suggesting actions for energy-efficient consumer behavior. However, reliable and accurate predictions depend on informative features and a suitable model design to perform well and robustly across different households and appliances. Moreover, customers' unjustifiably high expectations of accurate predictions may discourage them from using the system in the long term. In this paper, we design a three-step forecasting framework to assess predictability, engineering features, and deep learning architectures to forecast 24 hourly load values. First, our predictability analysis provides a tool for expectation management to cushion customers' anticipations. Second, we design several new weather-, time- and appliance-related parameters for the modeling procedure and test their contribution to the model's prediction performance. Third, we examine six deep learning techniques and compare them to tree- and support vector regression benchmarks. We develop a robust and accurate model for the appliance-level load prediction based on four datasets from four different regions (US, UK, Austria, and Canada) with an equal set of appliances. The empirical results show that cyclical encoding of time features and weather indicators alongside a long-short term memory (LSTM) model offer the optimal performance.

可持续性需要提高能源效率，而最小的废物则需要提高能源效率。因此，未来的电力系统应提供高水平的灵活性IIN控制能源消耗。对于能源行业的决策者和专业人员而言，对未来能源需求/负载的精确预测非常重要。预测能源负载对能源提供者和客户变得更有优势，使他们能够建立有效的生产策略以满足需求。这项研究介绍了两个混合级联模型，以预测不同分辨率中的多步户家庭功耗。第一个模型将固定小波变换（SWT）集成为有效的信号预处理技术，卷积神经网络和长期短期记忆（LSTM）。第二种混合模型将SWT与名为Transformer的基于自我注意的神经网络结构相结合。使用时频分析方法（例如多步预测问题中的SWT）的主要限制是，它们需要顺序信号，在多步骤预测应用程序中有问题的信号重建问题。级联模型可以通过使用回收输出有效地解决此问题。实验结果表明，与现有的多步电消耗预测方法相比，提出的混合模型实现了出色的预测性能。结果将为更准确和可靠的家庭用电量预测铺平道路。

建筑物和校园的电力负荷预测随着分布式能源（DERs）的渗透而越来越重要。高效的操作和调度DER需要合理准确的未来能耗预测，以便进行现场发电和存储资产的近实时优化派遣。电力公用事业公司传统上对跨越地理区域的负载口袋进行了负荷预测，因此预测不是建筑物和校园运营商的常见做法。鉴于电网交互式高效建筑域中的研究和原型趋势不断发展，超出简单算法预测精度的特点对于确定智能建筑算法的真正效用很重要。其他特性包括部署架构的整体设计和预测系统的运行效率。在这项工作中，我们介绍了一个基于深度学习的负载预测系统，将来预测1小时的时间间隔18小时。我们还讨论了与此类系统的实时部署相关的挑战，以及通过在国家可再生能源实验室智能校园计划中开发的全功能预测系统提供的研究机会。

现代时间序列数据集通常是高维，不完整/稀疏和非组织的。这些属性阻碍了时间序列预测和分析的可扩展和高效解决方案的开发。为了应对这些挑战，我们提出了一个非平稳的时间矩阵分解（NOTMF）模型，其中使用矩阵分解来重建整个时间序列矩阵和矢量自回旋（var）过程，该过程施加在适当差异的时间因子矩阵的副本上。这种方法不仅保留了数据的低级属性，还提供了一致的时间动力。 NOTMF的学习过程涉及两个因子矩阵和VAR系数矩阵集合的优化。为了有效地解决优化问题，我们得出了一个交替的最小化框架，其中使用共轭梯度和最小二乘方法来解决子问题。特别是，使用共轭梯度方法提供了有效的例程，并允许我们在大规模问题上应用NOTMF。通过对Uber运动速度数据集进行的广泛实验，我们证明了NOTMF的卓越准确性和有效性，而不是其他基线模型。我们的结果还证实了解决现实世界中时间序列数据（如时空交通流/速度）的非平稳性的重要性。

近年来，图形神经网络（GNN）与复发性神经网络（RNN）的变体相结合，在时空预测任务中达到了最先进的性能。对于流量预测，GNN模型使用道路网络的图形结构来解释链接和节点之间的空间相关性。最近的解决方案要么基于复杂的图形操作或避免预定义的图。本文提出了一种新的序列结构，以使用具有稀疏体系结构的GNN-RNN细胞在多个抽象的抽象上提取时空相关性，以减少训练时间与更复杂的设计相比。通过多个编码器编码相同的输入序列，并随着编码层的增量增加，使网络能够通过多级抽象来学习一般和详细的信息。我们进一步介绍了来自加拿大蒙特利尔的街道细分市场流量数据的新基准数据集。与高速公路不同，城市路段是循环的，其特征是复杂的空间依赖性。与基线方法相比，一小时预测的实验结果和我们的MSLTD街道级段数据集对我们的模型提高了7％以上，同时将计算资源要求提高了一半以上竞争方法。

预测基金绩效对投资者和基金经理都是有益的，但这是一项艰巨的任务。在本文中，我们测试了深度学习模型是否比传统统计技术更准确地预测基金绩效。基金绩效通常通过Sharpe比率进行评估，该比例代表了风险调整的绩效，以确保基金之间有意义的可比性。我们根据每月收益率数据序列数据计算了年度夏普比率，该数据的时间序列数据为600多个投资于美国上市大型股票的开放式共同基金投资。我们发现，经过现代贝叶斯优化训练的长期短期记忆（LSTM）和封闭式复发单元（GRUS）深度学习方法比传统统计量相比，预测基金的Sharpe比率更高。结合了LSTM和GRU的预测的合奏方法，可以实现所有模型的最佳性能。有证据表明，深度学习和结合能提供有希望的解决方案，以应对基金绩效预测的挑战。

预测可帮助企业分配资源并实现目标。在LinkedIn，产品所有者使用预测来设定业务目标，跟踪前景和监视健康。工程师使用预测有效地提供硬件。开发一种预测解决方案来满足这些需求，需要对各种时间序列进行准确，可解释的预测，并以次数至季度的频率。我们提出了Greykite，这是一个用于预测的开源Python库，已在LinkedIn上部署了二十多种用例。它的旗舰算法Silverkite提供了可解释的，快速且高度灵活的单变量预测，可捕获诸如时期增长和季节性，自相关，假期和回归剂等效果。该库通过促进数据探索，模型配置，执行和解释来实现自我服务的准确性和信任。我们的基准结果显示了来自各个域的数据集的现成速度和准确性。在过去的两年中，金融，工程和产品团队的资源计划和分配，目标设置和进度跟踪，异常检测和根本原因分析的资源团队一直信任灰金矿的预测。我们希望灰金矿对具有类似应用的预测从业者有用，这些应用需要准确，可解释的预测，这些预测捕获了与人类活动相关的时间序列共有的复杂动力学。