Evaluating Hyperparameter Sensitivity in Temporal Convolutional Networks for Short-Term Electric Load Forecasting Using Grid Search
Questo studio utilizza una ricerca sistematica su griglia sui dati di carico semiorario del Queensland per dimostrare che l'ottimizzazione di cinque iperparametri chiave nelle Reti Convoluzionali Temporali — specificamente identificando una configurazione con una dimensione dell'input di 336 step e un tasso di apprendimento di 0,0005 — può ridurre l'errore di previsione di oltre il 55% rispetto a un modello di riferimento, evidenziando che la sintonizzazione coordinata dei parametri è più critica rispetto al semplice aumento della capacità del modello per la previsione del carico elettrico a breve termine.