基于R的15分钟级电力需求预测：单模型能否提取多季节性？

Hey there! Great question—this is a classic tradeoff when working with high-frequency time series like 15-minute electricity demand data, where you’ve got both daily (96 intervals) and weekly (672 intervals) seasonality at play. Let’s break down the two approaches and when to use each:

1. 为每个时段单独建模（96个模型） #

优点： #

• 简单易懂，便于调试：每个模型只需要捕捉对应时段的日度规律（比如凌晨2:15的需求只和其他日子的凌晨2:15数据对比），不用同时处理多个季节性周期，遇到异常值或特殊时段规律（比如每周日中午的需求骤降）时，单独调整起来很方便。
• 计算成本低：单个简单模型（比如基础ARIMA或指数平滑）运行速度快，用purrr或基础R循环就能批量拟合96个模型，几乎没负担。

缺点： #

• 丢失跨时段关联：这种方法完全忽略了时段间的依赖关系——比如下午5点的需求突增可能直接影响5:15的读数，但分开的模型根本捕捉不到这种关联。
• 维护麻烦：要管理96个模型，更新、验证、监控都得逐个来，要是加了新的协变量（比如温度），每个模型都得调整一遍，工作量翻倍。
• 部分模型效果弱：有些时段（比如深夜）数据方差极低或噪声大，单独建模容易出现拟合偏差，没法借助其他时段的信息来修正。

2. 单个多季节性模型 #

可行性原因： #

电力需求存在多重重叠的季节性周期：日周期（96个时段）、周周期（96×7=672个时段），如果有年度数据还会有年周期。R里有不少工具能直接处理这种多季节数据，不用拆分。

R中常用工具： #

• tbats()（来自forecast包）：专门为多季节时间序列设计，自动识别复杂季节性，代码非常简洁：

  library(forecast)
  # 将数据转为时间序列对象，频率设为96（日周期）
  demand_ts <- ts(your_demand_data, frequency = 96)
  # 同时纳入日度和周度季节性
  tbats_model <- tbats(demand_ts, seasonal.periods = c(96, 96*7))
  # 预测次日96个时段的需求
  next_day_forecast <- forecast(tbats_model, h = 96)
  

• fable + feasts：forecast包的tidyverse继任者，可结合STL分解和ARIMA建模多季节，还能轻松加入协变量：

  library(fable)
  library(tsibble)
  # 转为tsibble格式（ tidy时间序列）
  demand_tsibble <- as_tsibble(your_data, index = timestamp)
  # 建模：同时考虑日/周季节性+温度协变量
  arima_model <- demand_tsibble %>%
    model(ARIMA(demand ~ pdq(0,1,1) + PDQ(0,1,1, period = 96) + PDQ(0,1,0, period = 672) + temperature))
  # 生成次日预测
  next_day_forecast <- arima_model %>% forecast(h = 96)
  

• prophet：Facebook的预测工具，原生支持多季节，适合加入节假日、自定义季节性调整这类需求。

优点： #

• 捕捉跨时段关联：单个模型能学习到“下午4点需求走高会延续到傍晚”这类规律，这是分时段模型做不到的。
• 维护成本低：只需要维护一个模型，更新或加新特征（比如天气数据）只需要改一次。
• 数据利用率高：所有历史数据都喂给同一个模型，哪怕是数据量少的时段，也能借助全局信息提升拟合效果。

缺点： #

• 复杂度更高：多季节模型调参和解释起来比单个简单模型难，新手需要花时间验证模型是否正确识别了所有季节性周期。
• 计算耗时略长：tbats或复杂ARIMA的运行时间比96个简单模型总和要久，但现代硬件下基本可以忽略。

实操建议 #

先从单个多季节模型入手——像tbats这类工具代码量极少，能快速验证它是否能捕捉数据核心规律。如果发现某些时段（比如周末高峰）的预测一直不准，再把这些特殊时段单独拆分建模，其余时段保留在统一模型里即可。

如果你的数据有协变量（比如温度，这是电力需求的核心驱动因素），单个模型几乎是最优选择——它能直接把温度变化和全时段的需求关联起来，效果比分时段模型好得多。

内容的提问来源于stack exchange，提问作者Binoy