本研究資料準確率計算方法使用 Mean absolute percentage error(MAPE)，
如公式20所示： LookBack-N 的延伸方法 ε-LookBack-N ，ε 為允許資料的誤差範圍，表3為不同 的 ε 值所執行的結果。從表3可觀察出，當 ε 為 0.5 時，MAPE 為最低，當 ε 愈
表 6: 各預測方法比較表 料，SVR 為最佳的預測方法，SVR 配合 K-Medoids 又比 K-Means 佳，MAPE 平均為 21.8%，其次是 ARIMA，MAPE 為 28.5%，ε-LookBack-N 預測結果較 差，MAPE 為 36.2%。
表 7: 支持向量回歸 MAPE50%(分群資料正規化，PBM 分群標準) 分群演算法 FFF FFT FTF FTT TFF TFT TTF TTT
K-Means 22.2 23.0 25.7 26.3 25.2 28.9 28.3 31.8 K-Medoids(Mean) 22.8 24.9 25.8 27.2 26.1 28.5 28.9 31.6 K-Medoids(Min) 23.6 25.1 26.3 27.1 27.6 30.4 29.4 31.7 未分群 21.8 22.7 24.1 25.4 25.0 27.2 26.6 30.1
表 8: 支持向量回歸 MAPE50%(分群資料正規化，DB 分群標準) 分群演算法 FFF FFT FTF FTT TFF TFT TTF TTT
K-Means 25.8 29.8 30.0 32.7 32.3 35.3 34.6 35.0 K-Medoids(Mean) 25.2 28.8 28.8 33.2 29.3 32.7 32.6 32.9 K-Medoids(Min) 23.6 25.1 26.3 27.1 27.6 30.4 29.4 31.7 未分群 21.8 22.7 24.1 25.4 25.0 27.2 26.6 30.1
表 9: 支持向量回歸 MAPE80%(分群資料正規化，PBM 分群標準) 分群演算法 FFF FFT FTF FTT TFF TFT TTF TTT
K-Means 41.9 45.4 40.6 48.4 48.5 55.6 49.5 55.9 K-Medoids(Mean) 38.8 45.7 43.3 51.2 51.2 50.4 53.2 55.7 K-Medoids(Min) 39.4 48.0 45.7 53.2 49.2 54.5 53.3 55.2 未分群 37.7 43.2 42.4 47.2 45.1 46.8 48.1 54.6
表 10: 支持向量回歸 MAPE80%(分群資料正規化，DB 分群標準) 分群演算法 FFF FFT FTF FTT TFF TFT TTF TTT
K-Means 47.3 58.3 51.7 61.6 58.0 65.6 63.1 65.6 K-Medoids(Mean) 45.3 55.7 54.3 62.9 50.6 61.2 61.7 65.2 K-Medoids(Min) 39.4 48.0 45.7 53.2 49.2 54.5 53.3 55.2 未分群 37.7 43.2 42.4 47.2 45.1 46.8 48.1 54.6
表7、 表8、 表9和 表10為 分 群 資 料 有 正 規 化 的 預 測 結 果， 從 MAPE80%
表9和表10來看，PBM Index 預測結果更是明顯優於 DB Index，其中又以皆不考 慮變因，只考慮過去用電量結果為最佳，影響用電量之環境變因，其重要性順序 為樓層 > 假日 > 溫度。表11、表12、表13和表14為分群資料未正規化之用電預 測 MAPE 表，換句話說，就是使用電表原始的平均用電量作分群。
表11與表12分別為 PBM Index 與 DB Index 的 MAPE50% 預測結果。K-Means 分群演算法在 PBM Index 與 DB Index 不同分群標準情況下，分群結果 相同，所以其預測結果也相同。在分群資料未正規化的情況下，使用 PBM Index 分群標準時，K-Medoids(Mean) 演算法與 K-Medoids(Min) 演算法分群結果相 同，所以在表11中，兩者 MAPE 相同。整體來說，不論是 PBM Index 或是 DB Index，預測結果 MAPE 只有些微差距，其中又以只考慮過去用電量的預測為最 佳。表13和表14可看出，PBM Index 預測結果略優於 DB Index，其中最佳的預
表 11: 支持向量回歸 MAPE50%(分群資料未正規化，PBM 分群標準) 分群演算法 FFF FFT FTF FTT TFF TFT TTF TTT
K-Means 21.8 22.5 24.2 25.6 25.1 27.2 26.6 30.4 K-Medoids(Mean) 21.8 22.6 24.0 25.5 24.9 27.4 26.4 30.9 K-Medoids(Min) 21.8 22.6 24.0 25.5 24.9 27.4 26.4 30.9 未分群 21.8 22.7 24.1 25.4 25.0 27.2 26.6 30.1
表 12: 支持向量回歸 MAPE50%(分群資料未正規化，DB 分群標準) 分群演算法 FFF FFT FTF FTT TFF TFT TTF TTT
K-Means 21.8 22.5 24.2 25.6 25.1 27.2 26.6 30.4 K-Medoids(Mean) 22.2 24.5 25.2 27.6 25.2 29.1 28.7 33.6 K-Medoids(Min) 21.8 23.6 23.7 27.1 24.4 30.0 28.3 32.4 未分群 21.8 22.7 24.1 25.4 25.0 27.2 26.6 30.1
表 13: 支持向量回歸 MAPE80%(分群資料未正規化，PBM 分群標準) 分群演算法 FFF FFT FTF FTT TFF TFT TTF TTT
K-Means 37.9 43.2 42.2 47.5 45.6 47.9 48.1 55.0 K-Medoids(Mean) 37.7 42.6 42.4 47.2 45.3 47.4 48.1 54.3 K-Medoids(Min) 37.7 42.6 42.4 47.2 45.3 47.4 48.1 54.3 未分群 37.7 43.2 42.4 47.2 45.1 46.8 48.1 54.6
表 14: 支持向量回歸 MAPE80%(分群資料未正規化，DB 分群標準) 分群演算法 FFF FFT FTF FTT TFF TFT TTF TTT
K-Means 37.9 43.2 42.2 47.5 45.6 47.9 48.1 55.0 K-Medoids(Mean) 39.8 44.5 43.6 51.4 47.5 51.2 54.1 61.4 K-Medoids(Min) 38.4 44.4 41.7 49.8 46.6 50.5 53.9 56.9 未分群 37.7 43.2 42.4 47.2 45.1 46.8 48.1 54.6
從所有預測結果來說，在分群演算法部分，PBM Index 配合 K-Means 分 群演算法結果較好，而 DB Index 配合 K-Medoids 分群演算法的預測結果較優。
在分群標準部分，針對本研究資料，PBM Index 分群結果比 DB Index 分群結果 佳，但可能是因為 DB Index 分群數較多，每群電表數少，導致無法訓練出較佳 的模型，使預測結果較差。
環境變因部分，只使用過去用電量去訓練時的結果為最佳，若訓練資料加 入環境變因，依照預測結果，其重要性順序為樓層 > 假日 > 溫度，當訓練資料 加入兩個以上的環境變因，會使用電量預測準確度下降。由於我們將不同樓層分 開進行訓練模型，用電戶數較少的樓層資料相對較少，這可能會使用電預測準確 度下降。其假日同理，假日用電資訊較平日少許多，若同時考慮假日與樓層時，
高樓層假日的模型資料將會非常少，這可能是預測結果較差的原因之一。
分群資料正規化部分，分群資料未正規化比正規化過後的結果佳，可能是