亮點：自動超引數調整，數學很高深，不容易理解。

自動超引數調整的有效性基於深度學習的住宅負荷預測

短期住宅負荷預測

在本文中，我們擴充套件了一個基於深度長期記憶體（LSTM）的負載，具有自動超引數調整的預測框架
針對高度不穩定的住宅負荷解決STLF問題。基於樹結構的Parzen估計器的超引數調整方法被有效地整合到STLF框架中
找到最佳的超引數集

高溫 - 通常發現ture與高電力密切相關
sumption，但這對於沒有的家庭來說並不適用
一個是在家裡。居民行為的不可預測性
使住宅需求高度不穩定

自動超引數調整：網路超引數如隱藏的數量圖層，每層隱藏節點的數量，選擇優化器，啟用功能的選擇等。如果這些
超引數選擇不當，它

澳大利亞政府發起了澳大利亞的第一次商業規模的智慧電網專案，智慧電網智慧城市（SGSC）們通常導致子引數最佳結果

我們從SGSC資料集中選擇一部分客戶69個客戶

針對3個不同的客戶分別計算皮爾遜相關係數

Pearson的相關性這三個家庭的係數僅為0.416，分別為0.529和0.764

不僅優化了LSTM超引數，例如層數和隱藏節點的數量，也處理以前消費的長度選擇序列

自動超引數整定

本文提出了一種自動超引數調整，基於LSTM的短期負荷之前的框架 個人住宅客戶的鑄造框架。該樹結構Parzen Estimator超引數調整方法od基於貝葉斯優化方法，確實如此不依賴於衍生物而是依賴於觀察列表。 它可以在很多方面達到足夠好的超引數集迭代次數少於隨機搜尋和網格搜尋方法。通過使用新的預測框架，最好的住宅預測結果進一步提高了約10％。 這個確認超引數調整也非常重要。