摘要
为了解决电网客户服务电话流量预测中存在的非线性、强时序依赖性以及由于突发干扰导致的预测精度下降问题，本文提出了一种基于集成模型的新预测方法，该方法将门控循环单元（GRU）与电流熵损失（CL）相结合（称为EnsCL-GRU）。首先，为了克服传统均方误差（MSE）损失对异常数据的敏感性以及其在捕捉序列整体趋势一致性方面的局限性，本文采用电流熵损失作为GRU模型的损失函数。该损失函数计算预测序列与真实序列在时延域内的归一化电流熵系数，引导模型关注时间序列数据的整体形状匹配，而非仅仅进行点对点的误差拟合。此外，GRU的门控记忆机制能够捕捉时间序列中的长期依赖关系，而电流熵损失则从序列层面约束预测动态趋势的一致性。这样既保留了GRU的时间建模能力，又提高了模型对突发干扰和趋势变化的响应精度。其次，为了提升单个GRU模型的泛化能力，本文采用集成策略对多个经过电流熵损失强化处理的GRU基础模型进行串联训练。通过自适应调整样本权重，改进了模型对复杂样本（如电话流量突发情况）的拟合能力，进一步增强了模型的鲁棒性。最后，本文引入了贝叶斯优化方法，自动寻找集成模型的最优超参数，在有限的评估次数内高效地逼近全局最优配置。实验结果表明，所提出的方法优于传统方法。具体来说，与传统GRU模型相比，该方法将平均绝对百分比误差（MAPE）从29.15%降低到了22.61%；同时显著优于基线集成模型EnsGRU，MAPE降低了4.73个百分点。实验结果表明，所提出的模型在预测精度和鲁棒性方面均有显著提升，尤其是在面对非线性波动和突发干扰的场景下，为电网客户服务系统的资源优化配置提供了可靠的支持。
