基于时空注意力网络与不确定性感知频谱信号去噪的智慧城市IoT能源需求精准预测方法

《Scientific Reports》：Smart city cloud-IoT analysis with spatio-temporal attention and uncertainty-aware spectral signal denoising

　　

摘要

物联网（IoT）技术在智慧城市中的部署产生了海量的能源消耗数据，为智能能源需求预测创造了巨大潜力。噪声传感器读数、缺失数据以及复杂的时间依赖性阻碍了传统深度学习方法实现更高的预测精度。为应对这一挑战，本文提出了一种用于精准能源需求预测的创新方法：智慧城市云-物联网时空注意力网络与不确定性感知频谱信号去噪（SCC-IoT-STAN-USSD）。首先，通过对物联网能源消耗数据进行贝叶斯边界趋势滤波（BBTF）预处理，以去除噪声测量、填补缺失数据并保留显著的时间模式。随后，采用幅值保持自适应同步压缩S变换（APST）从滤波后的信号中获取时频表示。上述特征通过时空注意力网络（STAN）进行分析，以提取空间相关性和长期时间依赖性，从而实现精准预测。此外，不确定性感知频谱信号去噪（USSD）方法通过降低模型优化过程中的不确定性来提高预测精度。实验结果表明，所提方法实现了98.20%的预测精度、0.31的平均绝对误差（MAE）、0.24的均方根误差（RMSE）、2.14%的平均绝对百分比误差（MAPE）、1.98%的对称平均绝对百分比误差（SMAPE）、0.992的R2得分以及97.84%的能效，从而超越了人工神经网络（ANN）、长短期记忆网络（LSTM）、卷积神经网络-长短期记忆网络（CNN-LSTM）、图神经网络（GNN）及近期提出的方法。此外，统计显著性检验、回归分析和消融实验验证了所提方法的可靠性与有效性。