// AI 新闻 · 2026-11-07 · Nature
基于机器学习的长期电力负荷预测比较研究
埃塞俄比亚阿迪格拉特大学和吉马大学的研究团队在2026年发表论文，利用2016至2025年的历史经济与人口数据，对阿迪格拉特市未来10年的电力负荷进行预测。研究构建了多种模型，包括传统机器学习方法、LSTM、LSTM-CNN以及LSTM-GRU结构，并引入粒子群优化（PSO）改进的LSTM-神经网络（LSTM-NN-PSO）作为新型混合架构。
原文发布 2026-11-07 08:00（北京时间）来源 Nature自动整理 · 已核对原文
01摘要
该框架通过缺失数据填补和多变量相关性分析实现数据预处理，采用智能输入组合条件特征选择机制以缓解模型在样本外场景下的性能下降问题。研究证实，在长期负荷预测任务中，PSO优化的LSTM-NN模型在准确性与稳定性方面表现优于其他方法，尤其适用于具有复杂宏观经济变量变化的地区。
由开源模型根据原文自动整理，经数字/专名逐项核对（必须在原文中出现），以原文为准。
02要点
- 研究基于2016至2025年历史经济与人口数据，预测阿迪格拉特市未来10年电力负荷。
- 提出PSO优化的LSTM-NN混合模型，结合缺失数据填补与多变量相关性分析进行预处理。
- 引入智能输入组合条件特征选择机制，提升模型在样本外场景下的鲁棒性。
- 实证表明LSTM-NN-PSO模型在长期负荷预测中具有更高的准确性和稳定性。
03原文出处
Nature · 发布于 2026-11-07 08:00（北京时间） · 上方为原标题
05相关新闻
出自智图 AI 新闻：从 1100 多个官方与媒体信源采集。摘要只转述原文内容，详情请看原文。 2026-11-07 全部新闻 · 按日期归档 · 全部 AI 新闻 · 今日