本次组会主要介绍最近阅读关于负荷预测以及迁移学习一些进展以及思路，暂且将最近研究进展命名为“基于迁移学习与非侵入式负荷监测的多用户智能电表短期负荷预测”

将从以下几个方面展开介绍：

科研背景、科研问题、科研目的、方法、将来的工作、个人思考与总结

①科研背景：据能源调查显示，全球能源约30%能源被家庭用户消耗，并且越来越多的智能电表被普及，通过智能电表显示，可以调研一些更细粒度的数据，通过研究这些数据可以更好的了解用户的能耗习惯，对家庭能耗级别用电量进行预测可以更好从需求侧进行电力的供应。

②科研问题：如果对每个家庭用户单独建模会造成很大的计算开销，并且预测精度会存在问题。

③科研目的：使用迁移学习的思路，首先对一个中心模型进行模型训练，然后根据每个家庭能耗习惯的相似度进行权重的调正可以节省计算资源；引入非侵入式负荷监测进行能耗的分解，将分解后的能耗数据作为迁移学习训练的数据可以提高预测精度。

④方法：

⑤如果该思路具备一定的可行性。考虑纵向整合这些数据可以提高整体小区的预测精度；从横向角度来看，以家庭为单位的预测粒度可以更好的分析用户的消费习惯。

⑥在接下来的工作中，将继续调研关于负荷监测以及迁移学习相关内容完善思路，以及寻找合适的数据集开展下一步工作。

本次组会介绍阅读的一篇论文《Deep Adaptive Input Normalization for Time Series Forecasting》，主要从以下几个方面展开介绍：

科研背景

在时间序列预测领域中，时间序列数据的非平稳性、非线性等性质会造成预测模型精度降低，尤其在金融、电力负荷领域中。所以要对数据进行预处理，标准化是数据预处理中比较重要的一个步骤，本文提出的方法学习如何对给定的任务进行归一化，而不是使用固定的归一化方案。

科研问题

对于预测的时间序列数据进行适当的归一化。

方法

该论文提出的方法开源代码:https://github.com/passalis/dain

部分实验

实验设置：在实验预训练模型中采用锚定评估方法，在提供的十天的数据集中，采用该方法重复训练九次，利用序列数据的相关性有效的提高了模型的训练以及学习效果。 实验结论：（1）使用标准化对于提高模型训练能力是必要的；
（2）分布偏移以及一些重尾分布，自适应方法性能更好。

本次组会分享最近阅读的一篇论文《Informer: Beyond Effificient Transformer for Long Sequence Time-Series Forecasting》主要从以下几个方面展开介绍：

• 科研背景：长时间序列预测问题；
• 注意力机制&transformer模型；
• 论文介绍的Informer模型针对transformer做出的三点改进；
• 实验部分;
• 心得思考.