本发明涉及基于综合互信息度的主成分分析的空间负荷预测方法，包括以下步骤：S1，利用MIS‑PCA算法对从地理信息系统获取的空间信息数据进行筛选和降维；S2，以经MIS‑PCA算法处理过的信息为基础，建立基于空间数据挖掘技术的用地类型预测模型；S3，利用用地分类结果对空间负荷进行预测。本发明提出一种改进的综合互信息度主成分分析方法（MIS‑PCA），可有效提高降维后数据分类准确率与所选特征子集的有效性，同时能够得到更少的主成分维度,降低了特征维数,以便减少后端分类或识别的计算量；本发明将MIS‑PCA算法引入用地规则挖掘的过程中，通过对可能影响元胞用地类型决策的众多相(56)对比文件US 2019081476 A1,2019.03.14FR 3088466 A1,2020.05.15KR 20200123310 A,2020.10.29WO 2019237840 A1,2019.12.19CN 106600063 A,2017.04.26杨莉等. 基于数据挖掘的日负荷曲线预测与修正.计算机系统应用.2014,第23卷(第12期),182-186.王延超.数据挖掘与电力系统负荷预测.现代交际.2016,(第7期),227-228.郑美春.基于用电信息采集系统数据挖掘的负荷预测方法及应用. CNKI优秀硕士学位论文全文库.2016,(第09期),1-90.黄庆键 等.关于空间电力负荷预测方法综述与展望.自动化应用.2017,(第02期),79-81.乐欢.基于空区推论的空间负荷预测分类分区实用法.电力系统自动化.2009,第33卷(第7期),81-85.朱俊丞等.深度学习在电力负荷预测中的应用总数.郑州大学学报.2019,第40卷(第5期),13-22.Mark Rafferty等.Real-Time MultipleEvent Detection and Classification UsingMoving Window PCA.IEEE Transactions onSmart Grid.2016,第7卷(第5期),2537 - 2548.Ahmad Tanvee等.A comprehensiveoverview on the data driven and largescale based approaches for forecasting ofbuilding energy demand: A review.Energyand Buildings.2018,第165卷301-320.Ammar O. Hoori等.Electric LoadForecasting Model Using a MulticolumnDeep Neural Networks.IEEE Transactions onIndustrial Electronics.2020,第67卷(第8期),6473 - 6482.Fabian Heymann等.Distribution networkplanning considering technology diffusiondynamics and spatial net-loadbehavior.International Journal ofElectrical Power & Energy Systems.2019,第106卷(第3期),254-265.Salah Bouktif.Optimal Deep LearningLSTM Model for Electric Load Forecastingusing Feature Selection and GeneticAlgorithm: Comparison with MachineLearning Approaches.Energies .2018,第11卷(第7期),1-20.D.A.G. Vieira等.Large scale spatialelectric load forecasting framework basedon spatial convolution.InternationalJournal of Electrical Power & EnergySystems.2020,第11卷(第7期),1-20.陈立.考虑城市用电构成与用地划分的空间负荷预测研究.中国优秀硕士学位论文工程科技Ⅱ辑.2020,(第6期),C042-63.程鹏等 .一种基于概率神经网络的城市用地高分辨率影像信息提取方法.林业调查规划.2016,第41卷(第2期),10-16.张素智等.基于互信息可信度的主成分分析数据降维.湖北民族学院学报.2019,第37卷(第4期),425-430.