本作業所使用的 time series 模型為 LSTM ，並以前七天的資料來當作每次預測的依據，去預測接下來後七天的資料。最終目標是預測 20210323 到 20210329 為期七天的備轉容量數值。評估模型的表現是以 RMSE 為標準，而本模型的RMSE表現結果約為 126.46 。後面也會視覺化Validation的情況，我們可以根據線段的重疊度來大概判斷模型的準確率。
- Python 3.8.3
- Ubuntu 20.04.2 LTS
requirements.txt目前還是手刻，若有python版本和lib版本相衝或不相容，還請自行解決。
- pandas == 1.2.3
- keras == 2.4.3
- matplotlib == 3.2.2
- numpy == 1.19.5
- sklearn == 0.24.1
- pydot == 1.4.2
- graphviz == 0.16
Install requirement.txt
pip3 install -r requirements.txt
執行 app.py。 Input 和 Output path 已經定義在app.py里了.
python3 app.py
強烈建議直接執行ipynb檔案來直接看我們在各個區塊的輸出結果。
Input的data為政府資料開放平臺上的台灣電力公司_過去電力供需資訊.csv。在這份資料中有共有397個 entries 和 71 個 features。而本模型只使用的features為 備轉容量 (MW) 與 備轉容量率（%) 。且 traning data 與 validation data 以比例為9:1做切割。
為了加快模型收斂找到最佳參數組合，這裡使用MinMaxScaler把資料重新scaling成 -1 至 1 之間。
epochs設定為50，最後loss約位於0.04左右：
以此模型進行2021/03/23~2021/03/29的備載容量預測結果。
-
Features 數目 其實features數目不是越多越好，在這一份資料當中就含有各種各樣的features，但是有滿多都是缺值，也就是0的情況，所以蠻多都不能拿來用。我原本之前有用了前面幾個features(如: 尖峰負載，凈尖峰供電能力，水力，風力，太陽能發電等大眾特徵)，用出來的RMSE都相當高，約有400多左右，但是自從我只給模型備轉容量和備轉容量率，失誤就降下來了。
-
典型的Time Series 模型表現不好 一開始我不是就用LSTM的，我嘗試過了Naive Method, Prophet, Exponential Smoothing, SARIMA, Holt-Winter。而比較好的只有Exponential和Holt Winter 但似乎效果也沒有讓我很滿意，RMSE只有400～600之間，完全下不去。所以我個人認為還是要可以手動調整的LSTM模型的適應性會比較好，得到的結果也比較令人滿意。
-
Split Data的比例分配 偷偷將一個小秘密，如果你把train和valid的分配比例調到train越多，效果會有奇效(當然，這裡資料量少，training data越多，模型學的越好)，但是如果一般用8:2 RMSE會是400多，但是9:1 RMSE會直接掉到100多。因為平均失誤的越少，數值越低。
-
Time Series 轉換成 Samples 時的定義 我這裡是使用前七天為依據，後七天為結果，但是也可以設定成前七天配第八天為label的組合，或者前十四天，三十天為依據等等。或者n:n+7為train_data,n+1:n+8為label 也可以，用不同方式會有不同結果。下次可以嘗試看看。
- Time Series
- Forecasting
- LSTM
- RNN
- Multivariables
- SARIMA Model
- Holt-Winter Model
- Dropbox Homework Description
- https://machinelearningmastery.com/time-series-prediction-lstm-recurrent-neural-networks-python-keras/
- https://towardsdatascience.com/lstm-time-series-forecasting-predicting-stock-prices-using-an-lstm-model-6223e9644a2f
- https://medium.datadriveninvestor.com/multivariate-time-series-using-rnn-with-keras-7f78f4488679