Load Forecast — Dự báo phụ tải
Tải chuỗi lịch sử lên, nhận dự báo VÀ điểm số trung thực: mô hình có thắng nổi dự báo ngây thơ hay không. Dữ liệu mẫu là chuỗi hành khách hàng không kinh điển.
Phần holdout (12 kỳ cuối) là dữ liệu mô hình CHƯA nhìn thấy khi huấn luyện. Chỉ đoạn đó mới nói được mô hình có dự báo được hay không.
MASE là MAE của mô hình chia MAE của 'kỳ này bằng kỳ trước'. Từ 1 trở lên nghĩa là mô hình không tạo ra giá trị nào so với quy tắc đơn giản nhất có thể.
Đo trên 12 kỳ holdout mà mô hình chưa từng nhìn thấy. Đo trên dữ liệu huấn luyện luôn cho kết quả đẹp hơn thực tế.
Sai số lệch hẳn một phía nghĩa là mô hình có thiên lệch hệ thống — chỗ này sửa được, khác với nhiễu ngẫu nhiên.
Dựng từ độ lệch chuẩn phần dư trên holdout. Nó rộng, và đó là sự thật về mức bất định — con số điểm duy nhất che mất điều đó.
| Số điểm dữ liệu | 48 (train 36 · holdout 12) |
| Chu kỳ mùa vụ | 12 |
| MAE mô hình / naive | 14.7529 / 26.8333 |
| Bias | -14.7529 — dự báo thấp hơn thực tế |
| Dự báo 6 kỳ | 190.84 · 196.43 · 212.75 · 202.76 · 202.13 · 222.83 |
| Khoảng 90% kỳ tới | 176.69 – 204.99 |
| Phương pháp | Holt–Winters cộng tính (α=0.4, β=0.1, γ=0.3) |
Phần holdout (12 kỳ cuối) là dữ liệu mô hình CHƯA nhìn thấy khi huấn luyện. Chỉ đoạn đó mới nói được mô hình có dự báo được hay không.
Cột sáng thấp hơn cột tối ở đa số kỳ thì mô hình mới thực sự thắng, chứ không phải chỉ thắng ở trung bình.
| Số điểm dữ liệu | 48 (train 36 · holdout 12) |
| Chu kỳ mùa vụ | 12 |
| MAE mô hình / naive | 14.7529 / 26.8333 |
| Bias | -14.7529 — dự báo thấp hơn thực tế |
| Dự báo 6 kỳ | 190.84 · 196.43 · 212.75 · 202.76 · 202.13 · 222.83 |
| Khoảng 90% kỳ tới | 176.69 – 204.99 |
| Phương pháp | Holt–Winters cộng tính (α=0.4, β=0.1, γ=0.3) |
MASE = MAE(mô hình) / MAE(naive) — dưới 1 mới có giá trị
Đây là công thức thật mà mã nguồn chạy, không phải mô tả gần đúng.
API tại /api/v1/tools/ts-forecast gọi đúng hàm
này, nên kết quả trên trang và qua API không thể lệch nhau.
1.234.567 lẫn 1.234,56.Dự báo phụ tải điện là bài toán nền tảng của vận hành hệ thống điện: điện không lưu trữ được ở quy mô lớn, nên sản xuất phải khớp tiêu thụ theo từng khoảnh khắc. Sai số dự báo chuyển thẳng thành chi phí mua điện cân bằng.
| MAPE theo chân trời | ngành thường đạt 1–3% cho ngắn hạn |
| Sai số đỉnh | quan trọng hơn sai số trung bình vì đỉnh quyết định công suất đặt |
| Bias theo giờ | sai lệch có hệ thống ở một số khung giờ |
Phần quan trọng nhất của trang này. Một phương pháp được mô tả mà không nói chỗ nó hỏng là phiên bản quảng cáo của phương pháp đó.
Chưa có mô hình nào gắn riêng cho chủ đề này. Đây là những mô hình của cả ngành — liên quan ở cấp ngành, không phải cấp chủ đề.
Dự báo phụ tải điện là bài toán nền tảng của vận hành hệ thống điện: điện không lưu trữ được ở quy mô lớn, nên sản xuất phải khớp tiêu thụ theo từng khoảnh khắc. Sai số dự báo chuyển thẳng thành chi phí mua điện cân bằng.
1. Tách theo chân trời: rất ngắn hạn (phút–giờ), ngắn hạn (ngày–tuần), dài hạn (tháng–năm) — ba bài toán với ba bộ biến khác nhau. 2. Biến quan trọng nhất là nhiệt độ, với quan hệ phi tuyến hình chữ U: lạnh sưởi, nóng điều hoà. 3. Đưa vào lịch: ngày làm việc, cuối tuần, lễ Tết — Tết là điểm gãy lớn nhất trong dữ liệu Việt Nam. 4. So sánh mô hình chuỗi thời gian có biến ngoại sinh với gradient boosting trước khi dùng mạng nơ ron.
Bỏ qua lịch nghỉ lễ khiến sai số ở đúng những ngày khó nhất. Dùng nhiệt độ thực tế trong backtest thay vì nhiệt độ dự báo — khi chạy thật bạn chỉ có dự báo thời tiết, vốn đã có sai số.
MAPE theo chân trời — ngành thường đạt 1–3% cho ngắn hạn; Sai số đỉnh — quan trọng hơn sai số trung bình vì đỉnh quyết định công suất đặt; Bias theo giờ — sai lệch có hệ thống ở một số khung giờ.
Chưa xây dựng. Mục này hiện là điều hướng và tài liệu tham chiếu; chúng tôi không gắn nhãn 'live' cho thứ chưa chạy.