La previsión de la demanda de gas natural es un paso importante para analizar la situación actual de la oferta y la demanda, y prever las perspectivas de desarrollo del mercado del gas natural. Después de muchos años de investigación y desarrollo, se ha desarrollado un sistema de métodos de previsión relativamente completo, con resultados aplicativos correspondientes. Debido a múltiples limitaciones medioambientales, la incertidumbre en la tendencia a largo plazo de la demanda de gas natural aumenta, y al mismo tiempo, la variada conducta de los consumidores de gas natural a corto plazo requiere una gestión fina. Por lo tanto, la división y síntesis de modelos de previsión de la demanda en diferentes escalas de tiempo es un aspecto importante de la previsión del uso del gas. Basándose en documentos relevantes publicados en el país y en el extranjero entre 2016 y 2021, este estudio analiza las características del uso del gas en diferentes escalas de tiempo, discute los principales factores de influencia considerados en distintos periodos, y sintetiza las ventajas y desventajas de los modelos de previsión en cada escala de tiempo. Los resultados del estudio muestran que los datos a corto plazo reflejan claramente las características de los usuarios finales, con una fuerte periodicidad y regularidad influenciada principalmente por condiciones climáticas, tipos de fechas, etc. Según los resultados del cálculo del indicador de rendimiento MAPE, el modelo SVR en el modelo único presenta un excelente rendimiento, y el modelo LSSVM en el modelo combinado también presenta buenos resultados; mientras que los datos a largo plazo representan un reflejo macroscópico del uso del gas por los usuarios, influenciada principalmente por la población, la estructura económica, los datos pertinentes de la industria del gas natural y las políticas, y según los resultados del cálculo del indicador de rendimiento MAPE, el mejor modelo de predicción es el modelo combinado de regresión gris y regresión lineal; según los resultados del cálculo del indicador de rendimiento RMSE, el modelo SVM optimizado por algoritmo genético tiene el mejor rendimiento. Sobre esta base, se presenta un marco de selección de modelos centrado en la escala de datos, los factores y los modelos, y se proponen orientaciones para la investigación futura de los modelos de previsión desde el punto de vista de la previsión a corto, mediano y largo plazo, para proporcionar recomendaciones para la investigación futura sobre modelos de previsión.

gas natural; previsión de la demanda; escala de tiempo; características de uso; factores de influencia