We propose an effective hybrid meth

We propose an effective hybrid method, the CSGM, to forecast
electricity consumption in NSW. Based on the inherent
characteristics of GM(1,1), a series of suitable concepts, which
include data selection, an abnormality analysis, a feasibility
test, and optimized algorithms, were used to improve forecasting
accuracy. A case study shows that CSGM performs
better than the classic GM(1,1), the GM(1,1) optimized using
IA and the ARIMAmodel. Finally, we analyzed the forecasting
errors based on statistical theory, which showed that the
ARIMA electricity consumption forecasting model yielded a
significant result with a small average error but with a high
error at certain time-points; thus, ARIMA is not a suitable
consumption forecasting model of electricity consumption in
NSW.

ผลลัพธ์ (ไทย) 1:

เราเสนอวิธีการผสมที่มีประสิทธิภาพ CSGM การคาดการณ์ปริมาณการใช้ไฟฟ้าในนิวเซาธ์เวลส์ ขึ้นอยู่กับที่โดยธรรมชาติลักษณะของ GM(1,1) ชุดของแนวคิดที่เหมาะสม ที่รวมข้อมูล การวิเคราะห์ความผิดปกติ มีความเป็นไปได้ทดสอบ และอัลกอริทึมให้เหมาะ ถูกใช้เพื่อปรับปรุงการคาดการณ์ความถูกต้อง กรณีศึกษาแสดงว่า ทำ CSGMดีกว่า GM(1,1) คลาสสิก GM(1,1) การปรับใช้IA และ ARIMAmodel สุดท้าย เราวิเคราะห์การคาดการณ์ข้อผิดพลาดตามทฤษฎีทางสถิติ ซึ่งชี้ให้เห็นว่าการใช้ไฟฟ้าอาแบบจำลองการคาดการณ์ผลการผลสำคัญที่ มีข้อผิดพลาดเฉลี่ยที่เล็ก แต่ มีความสูงข้อผิดพลาดที่บางเวลาคะแนน อาจึงไม่มีเหมาะสมปริมาณการคาดการณ์ของปริมาณการใช้ไฟฟ้าในนิวเซาธ์เวลส์

ผลลัพธ์ (ไทย) 2:

เราเสนอวิธีการไฮบริดที่มีประสิทธิภาพ CSGM
ที่จะคาดการณ์ปริมาณการใช้ไฟฟ้าในรัฐNSW ขึ้นอยู่กับธรรมชาติลักษณะของจีเอ็ม (1,1) ชุดของแนวความคิดที่เหมาะสมซึ่งรวมถึงการเลือกข้อมูลการวิเคราะห์ความผิดปกติ, ความเป็นไปได้การทดสอบและขั้นตอนวิธีที่ดีที่สุดมาใช้ในการปรับปรุงการพยากรณ์ความถูกต้อง กรณีศึกษาแสดงให้เห็นว่า CSGM ดำเนินการดีกว่าจีเอ็มคลาสสิก(1,1), จีเอ็ม (1,1) เพิ่มประสิทธิภาพการใช้IA และ ARIMAmodel สุดท้ายเราวิเคราะห์คาดการณ์ข้อผิดพลาดบนพื้นฐานของทฤษฎีทางสถิติซึ่งแสดงให้เห็นว่าปริมาณการใช้ไฟฟ้าARIMA รูปแบบการพยากรณ์ให้ผลผลอย่างมีนัยสำคัญด้วยข้อผิดพลาดเฉลี่ยขนาดเล็กแต่มีความสูงข้อผิดพลาดในบางครั้งจุด; จึง ARIMA ไม่ได้เป็นที่เหมาะสมการบริโภครูปแบบการพยากรณ์การใช้ไฟฟ้าในเอ็นเอส

ผลลัพธ์ (ไทย) 3:

เราเสนอวิธีการไฮบริดที่มีประสิทธิภาพ csgm เพื่อการคาดการณ์
ไฟฟ้าในนิวเซาท์เวลส์ ขึ้นอยู่กับลักษณะของ ( gmt )
( 1 , 1 ) , ชุดของแนวความคิดที่เหมาะสม
รวมถึงการเลือกข้อมูลผิดปกติในการวิเคราะห์ความเป็นไปได้
ทดสอบและขั้นตอนวิธีการเพิ่มประสิทธิภาพจะใช้ในการปรับปรุงการคาดการณ์
ความถูกต้อง การศึกษาแสดงให้เห็นว่าการ csgm
ดีกว่า GM คลาสสิก ( 1 , 1 ) , ( gmt ) ( 11 ) การเพิ่มประสิทธิภาพการใช้
IA และ arimamodel . สุดท้าย เราจะทำการวิเคราะห์พยากรณ์
ข้อผิดพลาดตามทฤษฎีทางสถิติ ซึ่งพบว่า ปริมาณการใช้ไฟฟ้าแบบพยากรณ์ ARIMA (

) ผลมีขนาดเล็กมีข้อผิดพลาด แต่ด้วยข้อผิดพลาดสูง
ที่จุดเวลาที่แน่นอน ดังนั้น เมื่อจะไม่ใช้รูปแบบการพยากรณ์การใช้ไฟฟ้าที่เหมาะสม


ในนิวเซาท์เวลส์