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、强时间依赖性以及因突发干扰导致的准确性下降问题，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Correntropy损失（CL）相结合（称为EnsCL-GRU）。首先，为了解决传统均方误差（MSE）损失对异常波动的敏感性以及其在捕捉序列整体趋势一致性方面的不足，采用了CL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间延迟域内的标准化Correntropy系数，使模型更侧重于时间序列数据的整体形状匹配，而非逐点误差拟合。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CL则从序列层面约束预测动态趋势的一致性。这样既保持了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准确性。其次，为了提高单个GRU模型的泛化能力，采用了集成策略依次训练多个经过CL改进的GRU基础模型。通过自适应调整样本权重，增强了模型对难处理样本（如电话流量突变）的适应能力，进一步提升了模型的鲁棒性。最后，引入了贝叶斯优化方法自动搜索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。具体而言，与标准GRU模型相比，该方法将MAPE降低了29.15%至22.61%，并且始终优于集成基线模型EnsGRU，MAPE降低了4.73个百分点。实验结果说明，所提出的模型在非线性波动和突发干扰情况下显著提升了预测准确性和鲁棒性，为电网客户服务系统的资源优化配置提供了可靠的支持。
