Evaluating Hyperparameter Sensitivity in Temporal Convolutional Networks for Short-Term Electric Load Forecasting Using Grid Search
Deze studie maakt gebruik van een systematische grid search op de halfuurlijkse belastinggegevens van Queensland om aan te tonen dat het optimaliseren van vijf belangrijke hyperparameters in Temporal Convolutional Networks — specifiek het identificeren van een configuratie met een inputgrootte van 336 stappen en een leersnelheid van 0,0005 — de voorspellingsfout met meer dan 55% kan verminderen in vergelijking met een referentiemodel, wat benadrukt dat gecoördineerde parametertuning belangrijker is dan simpelweg het vergroten van de modelcapaciteit voor kortetermijnvoorspellingen van de elektrische belasting.