预测误差低至2.47%
融合双向长短期记忆网络与时间卷积网络，先补全缺失数据再提取深层时序特征，实现区域供热热负荷的高精度预测。
宋建材 · Wen, Li · Shuo, Zhu · Chenhao, Zhou · 薛桂香 · Wu, Xiangdong
Journal of Cleaner Production 2024
双向LSTM利用序列的双向特征重构缺失值，为后续预测模型提供可靠的数据基础，从而缓解数据质量问题对精度的拖累。
时间卷积网络通过并行计算高效提取高层次特征，能够有效建模热负荷的复杂变化，避免传统序列模型难以捕捉长程依赖的局限。
在4个实际换热站数据上，该混合模型的MAPE降至2.47%，低于LSTM、TCN、SVR等现有最优模型，证实其在实际热负荷预测中的优越性。