大规模电力工程数据价值深度挖掘算法设计研究

针对传统电力工程数据处理方法中存在的不可追溯且不易统一管理等问题,文中基于数据挖掘的思想提出了一种电力工程数据价值分析预测模型。该模型采用Boosting算法将多个预测树结构组合形成极端梯度提升树模型,从而实现对非线性数据的深入分析,且经过多次迭代后,可以使训练准确度与学习效果得到显著提升。通过采用改进的双向长短时记忆网络,增强了模型处理时序性数据的能力。同时还使用误差倒数法将两个算法模型相结合,使其具有更高的预测精度。在实验测试中,所提算法的预测结果更贴近实际值,且其MAPE及RMSE测试指标分别为0.201%和0.039%,在所有对比算法中均为最优,可以对电力工程数据价值进行准确的分析和预测。

倒置误差组合优化算法的沪深300指数预测研究

针对多变量预测股指开盘价问题,为了提高预测精度,提出一种基于倒置误差的GXS组合模型,对沪深300指数每日开盘价进行回归预测。运用网格搜索(GridSearchCV)算法和10折交叉验证法,对极度梯度提升树(XGBoost)模型与基于径向基RBF核函数的支持向量回归(SVR)模型进行参数优化,取修正的预测误差进行误差倒数法赋权,搭建GXS组合模型。实证结果表明,基于修正误差MAE赋权的GXS组合模型对沪深300指数开盘价预测效果最优。

基于小波变换的隧道大变形组合预测方法

为提高隧道变形预测精度,首先,探讨不同小波变换参数的去噪效果,并将隧道的变形数据分为趋势项和误差项;之后,对趋势项和误差项进行单项预测和组合预测,对比分析本文预测结果,研究本文预测模型的有效性。结果表明:sym8小波函数在采用软阈值选取方法、启发式阈值标准及8层小波分解时的去噪结果最优。采用剔除最大误差倒数法通过对趋势项及误差项进行组合预测可知,趋势项组合预测、误差项组合预测较其单项预测的预测精度分别提高了2.5~3.5倍、4.0~5.4倍,达到了提高预测精度的目的,且也不同程度地提高了预测结果的稳定性。通过对本文预测模型的实例分析,验证了本文预测思路的可行性和有效性,预测结果满足大变形预测的要求,具有较高的可行度。

基于Attention-LSTM-XGBoost的电极移动速度影响放电参数预测分析

基于具有Attention机制的长短期记忆(attention long short-term memory,Attention-LSTM)神经网络模型,设计了一种由Attention-LSTM神经网络与极端的梯度增强(extreme gradient boosting,XGBoost)法共同组成的变权组合模型,用以分析预测静电放电过程中电极移动速度对放电参数造成的影响。该组合模型充分利用静电放电参数的时序特性,并采用Attention机制突出对放电参数预测起到关键作用的输入特征。首先基于由新型电极移动速度效应测试仪的实验结果提供的原始实验数据,采用分箱法对其进行预处理得到新的实验数据;然后将得到的新实验数据集作为两种模型的输入数据,分开训练Attention-LSTM模型和XGBoost模型,求解出各自模型的预测结果及误差;最后利用误差倒数法,重新计算出两种模型预测结果的占比权重,并根据计算的权重求解出最终预测结果。预测结果表明:与Attention-LSTM神经网络模型、XGBoost模型、Attention-LSTMXGBoost定权组合模型相比,本文构建的Attention-LSTM-XGBoost变权组合模型,评估指标中的决定系数分别提升了5.22%、9.11%、3.13%。本文提出的变权组合模型在预测精度以及算法鲁棒性上均优于其他模型,有益于对小间隙静电放电参数变化趋势和规律的探寻。

基于SVR-随机森林模型的民机落地剩油预测研究

针对国产民机落地剩油的预测与单一算法预测精度较低的问题,本文提出了一种基于支持向量回归机(SVR)与随机森林(RF)算法组合的预测模型对国产民机落地剩油做预测。灰色关联度分析得到落地剩油关联度较高的因素,简化模型输入量;采用单一的SVR算法与RF算法进行落地剩油预测,利用倒数误差法将两个单一算法组合起来对落地剩油做预测。实例验证,单一的预测模型准确率为81.21%、83.91%;组合模型的准确率为93.2%,提高了落地剩油预测的精度,有利于飞机在安全飞行的前提下合理减少额外油,提高经济效益。

基于LSTM变权组合模型的股价预测

为提高股票价格的准确预测,帮助投资者实现科学理性的投资决策,本文提出以沪深300指数收盘价为预测对象,以经灰色关联分析(GRA)和主成分分析(PCA)处理后的特征指标为输入变量,利用误差倒数变权组合预测法对经过网格搜索法和粒子群算法优化后的传统机器学习模型(RFR、SVR)和长短记忆神经网络(LSTM)模型进行加权组合实现最终预测,构建了基于GRA-PCA-LSTM的变权组合模型,并依据模型评价指标对比分析单一模型和其他方式组合模型的预测结果。实验结果表明:LSTM模型的预测效果优于传统机器学习模型;SVR-LSTM(Variable)模型在RMSE、MAPE与R2三个评价指标上的预测精度均优于SVR-LSTM(Equal)、SVR-LSTM(Error)及其对应的单一模型。同时,本文利用其他数据集进一步验证了基于GRA-PCA-LSTM的变权组合模型,可以提高股指价格的预测性能。

基于SARIMA‑LSTM组合的机场起降量短时预测方法

机场起降量短时预测方法是根据空中交通流量管理需求,对机场未来24小时时间跨度内起降量情况进行预测。首先,构建了基于季节性差分自回归移动平均(SARIMA)和长短期记忆神经网络(LSTM)的机场起降量预测模型;然后,根据误差倒数法确定组合预测权重以期得到更好的预测效果;最后,使用天津滨海机场进行实例验证,以机场起降量的小时数据建立了SARIMA(0,1,7)×(0,1,1)_(24)和LSTM模型,并分别以0.600和0.400的权重建立了组合预测模型。验证结果显示,组合模型的预测指标R2达到0.904,较反向传播(BP)神经网络等其他单一模型预测性能更佳。

基于自适应Boosting组合模型的空气质量预测

针对当前空气质量预测模型存在较大误差以及单一模型在不同方面具有一定局限性,导致预测误差较大的问题,提出一种自适应Boosting组合模型。利用误差平方和倒数法、简单加权平均法等五种方法自适应地赋予三个基础Boosting模型权重,最终的结果按照相应的权重叠加,达到充分发挥每个单一模型的优势,提高预测精度的目的。实验结果表明,误差平方和倒数法组合模型的表现最优,采用误差平方和倒数法计算权重的组合模型的MAE为7.1244,RMSE为9.3671,R2为0.8639,优于其他地权重组合方法以及单一的Boosting模型。该组合模型的应用,为优化空气质量预测系统提供了一个行之有效的方法。