首页> 外文OA文献 >Data Mining Peramalan Konsumsi Listrik dengan Pendekatan Cluster Time Series sebagai Preprocessing
【2h】

Data Mining Peramalan Konsumsi Listrik dengan Pendekatan Cluster Time Series sebagai Preprocessing

机译:使用聚类时间序列方法进行预处理的数据挖掘预测用电量

摘要

Kondisi big data dan data time series memiliki permasalahan tersendiri didalam mengolah suatu data. Terle-bih lagi data tersebut juga multivariabel. Salah satu permasa-lahan yang terjadi adalah ketika proses identifikasi model yang sesuai untuk tiap series. Beberapa metode time series seperti ARIMA dan ANN membutuhkan proses identifikasi untuk menentukan orde ARIMA dan input ANN yang akan digunakan. Melakukan identifikasi satu per satu tiap series tidak mungkin dilakukan. Untuk itu perlu dilakukan prepro-cessing data salah satunya dengan menggunakan cluster. Metode ukuran kesamaan dalam cluster time series salah satunya adalah autocorrelation based distance. Dari masing-masing cluster yang dihasilkan dipilih salah satu anggota untuk dilakukan permodelan. Diharapkan model yang dihasil-kan mewakili anggota cluster secara keseluruhan. Metode peramalan yang digunakan pada penelitian kali ini adalah ARIMA dan ANN dengan studi kasus data benchmark konsumsi listrik di Portugal. Hasil yang diperoleh adalah dihasilkan sebanyak tujuh cluster dengan anggota cluster terbanyak pada cluster ke empat yakni sebanyak 120 client. Selanjutnya model peramalan dengan menggunakan ANN lebih baik dibandingkan ARIMA. Diperoleh sebanyak 259 dari 348 client yang menyatakan bahwa permodelan dengan menggunakan ANN lebih baik dibandingkan ARIMA
机译:大数据和时间序列数据的条件在处理数据时有其自身的问题。此外,数据也是多变量的。出现的问题之一是在为每个系列确定适当模型的过程。一些时间序列方法(例如ARIMA和ANN)需要标识过程来确定将要使用的ARIMA顺序和ANN输入。无法逐个序列地识别。因此,需要完成预处理数据,其中之一是使用集群。测量时间序列簇中相似度的一种方法是基于自相关的距离。从产生的每个群集中,选择一个成员进行建模。期望结果模型代表整个集群成员。本研究中使用的预测方法是ARIMA和ANN,并以葡萄牙的用电量基准数据为例。在120个客户端的第四个群集中,获得的结果多达七个群集,群集成员最多。此外,使用ANN的预测模型比ARIMA更好。在348位表示使用ANN建模优于ARIMA的客户中,获得了259位客户

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号