Automated feature engineering, AutoML, and decision-focused learning for improved energy consumption forecasting

📄 arXiv: 2609.35013v1 📥 PDF

作者: Nasser Alkhulaifi

分类: cs.AI

发布日期: 2026-09-28

备注: PhD thesis, School of Computer Science, University of Nottingha, United Kingdom

💡 一句话要点

提出自动特征工程以提升能源消费预测精度

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 自动特征工程 能源消费预测 机器学习 决策聚焦学习 AutoML 可持续发展 数据驱动决策

📋 核心要点

  1. 现有的能源消费预测模型过于依赖专家设计的特征，导致效率低下和准确性不足。
  2. 论文提出了AutoEnergy，一个自动特征工程算法，能够生成可解释特征并与AutoML结合，提升预测模型的性能。
  3. 在多个真实数据集上，AutoEnergy显著降低了预测误差，并提高了运行速度，同时与决策聚焦学习结合，优化了能源管理决策。

📝 摘要（中文）

随着能源成本和需求的上升，以及环境可持续性目标的推动，能源管理面临重大挑战。能源消费预测（ECF）通过预测未来消费来支持规划，但现有的机器学习模型往往依赖于专家驱动的特征工程。本文通过三项贡献解决了这一依赖。首先，建立并评估了一个全面的特征工程管道，研究了领域特定特征。其次，提出了AutoEnergy，一个针对特定领域的自动特征工程算法，能够从时间戳和滞后消费中生成可解释特征，并与自动机器学习（AutoML）集成，实现端到端的ECF建模。在涵盖住宅、商业、工业、可再生和电网领域的十八个真实能源数据集上，AutoEnergy相较于基线AutoML和已有的自动特征工程方法，预测误差降低了19.52%-84.72%，运行速度提高了1.31-4.41倍。最后，AutoEnergy与决策聚焦学习（DFL）结合，针对电池储能系统问题，联合预测电价和需求，同时优化充放电决策。在真实的英国物业数据集上，该方法相比于没有自动特征工程的DFL模型，运营成本降低了22.9%-56.5%。

🔬 方法详解

问题定义：本文旨在解决能源消费预测中对专家驱动特征工程的过度依赖，现有方法在特征设计上效率低下，影响预测准确性。

核心思路：提出AutoEnergy算法，通过自动化生成领域特定的可解释特征，结合AutoML实现端到端建模，减少人工干预，提高预测精度。

技术框架：整体架构包括特征提取、特征选择和模型训练三个主要模块。特征提取阶段利用时间戳和滞后消费数据生成特征，特征选择阶段筛选出最优特征，最后进行模型训练。

关键创新：AutoEnergy算法的核心创新在于其自动化特征生成能力，能够有效减少对人工特征设计的依赖，并在多个数据集上展现出优越的性能。

关键设计：在算法设计中，采用了特定的参数设置和损失函数，以确保生成特征的可解释性和模型的预测能力，同时优化了计算效率。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，AutoEnergy在十八个真实数据集上的预测误差降低幅度达到19.52%-84.72%，运行速度提升1.31-4.41倍。与传统的DFL模型相比，结合自动特征工程后，运营成本降低了22.9%-56.5%，显示出显著的经济效益。

🎯 应用场景

该研究在能源管理领域具有广泛的应用潜力，尤其是在智能电网和可再生能源的集成管理中。通过提高预测精度，能够有效降低运营成本，支持可持续发展目标的实现。未来，AutoEnergy的框架可扩展至其他领域的预测任务，推动自动化特征工程的应用。

📄 摘要（原文）

The rising cost and demand for energy, together with environmental sustainability goals, create major challenges for energy management. Energy Consumption Forecasting (ECF) supports planning by predicting future consumption, but Machine Learning (ML) models for ECF often depend on expert-driven Feature Engineering (FE). This thesis addresses that dependence through three contributions. First, it establishes and evaluates a comprehensive FE pipeline for ECF and investigates domain-specific features. Second, it introduces AutoEnergy, a domain-tailored automated FE algorithm that generates interpretable features from timestamps and lagged consumption and integrates with AutoML for end-to-end ECF modelling. Across eighteen real-world energy datasets spanning residential, commercial, industrial, renewable, and grid domains, AutoEnergy reduces forecasting error by 19.52%-84.72% relative to baseline AutoML and established automated FE methods, while running 1.31-4.41 times faster, with gains varying by dataset. Third, AutoEnergy is integrated with Decision-Focused Learning (DFL) for a Battery Energy Storage System problem, jointly forecasting electricity prices and demand while optimising charging and discharging decisions. On a real-world UK property dataset, this approach reduces operating costs by 22.9%-56.5% compared with the same DFL models without automated FE. Overall, the results show that domain-specific automated FE can reduce reliance on manual feature design, improve forecasting accuracy, and translate predictive gains into measurable operational benefits in energy management.