灰色预测模型能否使用非常小的数据集有效地预测地源热泵温度？

适用条件

• 数据集由少量的连续测量值组成（例如，24 个数据点）。
• 目标是短期预测（例如，提前 8 小时预测）。

理解与推导

1. 从特定的 GHPS 地点收集 24 个小时的温度测量小数据集。
2. 在这个 24 小时的数据集上训练 IGM (1,1) 模型。
3. 使用训练好的模型预测接下来 8 小时的输出温度。
4. 使用 RSME、MAE 和 MAPE 将预测值与实际测量值或基准 GM (1,1) 预测值进行比较。

例子

它被部署使用来自三个不同机构的真实世界数据来预测输出温度：俄克拉荷马大学、瓦伦西亚理工大学和奥克兰大学。对于每个地点，该模型利用了一个非常小的数据集，仅由 24 个小时的数据点组成，用于训练并随后预测未来八小时的温度。

容易误解的地方

• 认为机器学习或预测模型总是需要海量数据集才能有效。
• 假设灰色预测模型无法处理小样本中的真实世界噪声或变异性。

观看对应讲解

继续追问

• 与标准 GM (1,1) 模型相比，IGM (1,1) 模型如何修正其当前预测值？
• 使用哪些统计指标来评估像 IGM (1,1) 这样的时间序列预测模型的准确性？
• 关于地源热泵系统，IGM (1,1) 模型预期的未来改进是什么？