RWKV-CVM:基于RWKV的短期预测跨变量混合方法

《Electricity》:RWKV-CVM: Cross-Variate Mixing for RWKV-Based Short-Term

【字体: 大 中 小 】 时间:2026年06月19日 来源:Electricity 1.8

编辑推荐:

   摘要

  

摘要

准确的电力负荷预测对于高效的电网管理至关重要,然而在多变量时间序列中捕捉变量间的相互依赖关系依然是一个难题。近期基于Transformer和循环架构的与通道无关的方法取得了良好的预测效果,但它们会忽略天气状况及邻近用电区域等相关变量中可能具有用的信息。在本文中,我们提出了RWKV-CVM,这是一种对RWKV-TS架构的轻量级扩展,它引入了一个可训练的跨变量混合模块,用于选择性地整合变量间信息,同时保持核心结构的线性时间复杂度。该混合模块是一个带门控机制的行随机混合矩阵,其初始值来自训练集的绝对皮尔逊相关性,再通过一个单一的学习得到的标量门控进行调节,该门控会在数据拼接前作用于标准化后的输入序列,仅为核心结构增加了65个可训练参数。我们在三种不同的测试环境中对该方法进行了评估:首先是对泰图安市三个区域的电力消耗数据进行预测,预测时间范围可达72小时(包括具有实际意义的24小时提前预测和48小时双日提前预测);其次是在10%少样本协议下对ETTh1和天气数据集进行预测。从各时间段的平均误差来看,RWKV-CVM在所有三个数据集上的平均均方误差都是最低的(泰图安所有区域为0.0427,ETTh1为0.640,天气数据集为0.250),仅略高于经过深度调优的基准方法以及其自身的RWKV-TS核心结构。这一优势并不显著,且主要体现在较长的预测时间范围内,同时对不同目标区域的预测效果也有差异;在某些特定的时间段以及全量数据测试中,某些基准方法的性能更为优异,我们也在文中明确指出了这些情况。这些结果表明,通过可控的、轻量级的跨变量信息注入,可以在不牺牲计算效率的前提下,提升多变量负荷预测的准确性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号