基于LASSO变量选择的结直肠癌病人术后吻合口愈合不良预测模型的构建与分析

目的 构建基于LASSO变量选择的结直肠癌病人术后吻合口愈合不良预测模型,并分析该模型对吻合口预后不良预测效能。方法 前瞻性纳入2018年3月~2023年1月期间于我院接受治疗的215例结直肠癌病人为研究对象,所有病人均接受腹腔镜结直肠癌根治术,术后对所有病人进行为期30天的随访,根据有无发生吻合口愈合不良分为两组,愈合不良组24例,预后良好组191例。收集病人的一般资料及临床资料,应用LASSO回归模型筛选具有非0系数的相征因素,构LASSO-Logistic回归模型分析导致病人发生吻合口愈合不良的相关因素,绘制受试者工作特征曲线(ROC),计算受试者工作特征曲线下面积(AUC)、敏感度及特异度;采用Bootdtrap法进行500次重复抽样进行验证。结果 愈合不良组男性比例大于愈合良好组;愈合不良组白细胞(WBC)、C反应蛋白(CRP)水平均高于愈合良好组,差异有统计学意义(P<0.05);愈合不良组手术时间长于愈合良好组,肿瘤直径>4 cm、肿瘤下缘与肛周距离≤7 cm、术前有新辅助化疗、肿瘤分期为Ⅲ~Ⅳ期例数显著多于愈合良好组,差异有统计学意义(P<0.05);Logistic回归筛显示,手术时间、术前接受新辅助化疗、肿瘤下缘与肛周距离以及圆周肿瘤生长是吻合口愈合不良的预测因素;根据Logistic回归绘制ROC曲线,得到AUC为0.892(95%CI:0.813~0.945),敏感性为75.81%,特异性为89.47%。Youden指数为0.6528;利用Bootdtrap技术绘制模型的校准曲线得知模型具有较好的预测效能。结论 手术时间长、术前接受新辅助化疗、肿瘤下缘与肛周距离<7 cm以及圆周肿瘤生长是影响结直肠癌术后病人发生吻合口愈合不良的危险因素,构建的预测模型可用于吻合口愈合不良人群的筛选且具有较好的预测效能。

基于LASSO回归的脓毒症凝血病患者院内死亡风险预测模型建立

目的建立基于LASSO回归的脓毒症凝血病患者院内死亡风险预测模型。方法从重症监护医疗信息市场(MIMIC)-Ⅳ数据库(2.1版)中提取2008—2019年贝斯以色列迪康医疗中心入住重症监护室(ICU)的脓毒症凝血病患者进行回顾性研究。将研究对象随机分成建模组和验证组,采用LASSO回归筛选出特征变量,对所得特征变量进行多因素Logistic回归分析以确定预后独立危险因素,同时建立列线图预测模型。通过绘制校准曲线和受试者工作特性(ROC)曲线,以及决策曲线分析对模型性能进行评估。结果该研究共纳入4994例首次入住ICU的脓毒症凝血病患者,按7∶3比例随机分为建模组3495例和验证组1499例。多因素Logistic回归分析发现,年龄、平均呼吸频率、平均红细胞血红蛋白浓度、红细胞计数、血小板计数、凝血酶原时间、阴离子间隙、急性生理学评分Ⅲ及急性肾损伤是脓毒症凝血病患者院内死亡的独立危险因素,基于以上独立危险因素构建列线图预测模型。建模组和验证组列线图的ROC曲线下面积及95%置信区间分别为0.864(0.849~0.880)、0.877(0.852~0.901),灵敏度分别为0.795、0.763,特异度分别为0.779、0.843。校准曲线提示预测概率与实际概率基本一致,决策曲线分析显示其在较大阈值范围内具有良好的临床净收益。结论基于MIMIC-Ⅳ数据库建立的列线图模型对于预测脓毒症凝血病患者院内病死率具有良好的预测价值,可用于指导临床工作。

基于Lasso回归构建生物标志物影响代谢综合征的风险预测模型

目的探讨代谢综合征的生物标志物及影响因素,构建代谢综合征的风险预测模型。方法选取2020年1月至2021年12月到某中心疗养体检并诊断为代谢综合征的161例患者作为实验组,另选择同一时期根据性别和年龄匹配的192例非代谢综合征患者作为对照组。收集患者的临床基线资料和生物标志物,利用Lasso回归筛选出代谢综合征相关的生物标志物,用于构建预测代谢综合征高危人群的预警模型。结果使用Lasso回归共筛选出7个影响代谢综合征相关的生物标志物和影响因素,分别为体质量指数(body mass index,BMI)、2型糖尿病(type 2 diabetes,T2DM)、空腹血糖(fasting blood glucose,FBG)、三酰甘油(triglyceride,TG)、高密度脂蛋白胆固醇(highdensity lipoprotein cholesterol,HDL-C)、单核细胞计数/高密度脂蛋白胆固醇比值(monocyte count/HDL-C ratio,MHR)和超敏C反应蛋白(high-sensitivity C-reactive protein,hs-CRP)。预测模型的曲线下面积(area under curve,AUC)为0.9857。结论本研究利用Lasso回归构建生物标志物的风险预测模型用于预测代谢综合征的能力较强,可用于指导临床医生早期识别代谢综合征的高危人群。

基于LASSO回归的心脏神经官能症刚虚证(肝肾阴亏、肝阳上亢证)关联因素筛选及诊断模型构建

目的:利用LASSO回归联合Nomogram构建心脏神经官能症刚虚证(肝肾阴亏、肝阳上亢证)的诊断模型。方法:采用单中心前瞻性研究,收集141例心脏神经官能症患者的临床资料,纳入分析变量包括年龄、民族、婚姻、教育程度、脑力/体力工作、体质量指数(BMI)、中医症状、中医五态人格量表各因子得分、汉密尔顿焦虑量表-14项、汉密尔顿抑郁量表-24项、症状自测评量表各因子均分。通过LASSO回归筛选与刚虚证诊断显著相关的影响因素,纳入二元多因素Logistic回归分析构建诊断模型,并对模型预测区分度及校准度评价,利用10重交叉验证进行内部验证,最后对模型进行Nomogram可视化,并根据ROC曲线确定诊断阈值。结果:共纳入刚虚证患者70例,非刚虚证患者71例。LASSO回归筛选出与刚虚证诊断相关性最显著的5个变量为女性、年龄、疲乏无力、善嗳气、五态人格中少阳积分。模型AUC为0.85,H-L检验为2.94(P=0.9824),提示模型区分度及校准度较好,10重交叉内部验证结果提示AUC为0.82。结论:LASSO回归联合Nomogram构建的诊断模型可协助诊断心脏神经官能症刚虚证,但研究结果的准确性尚待大样本临床研究进一步验证。

基于Lasso-Huber的近红外光谱特征波长选择方法及应用

在近红外光谱(NIRS)波长筛选过程中,当变量数目远大于样本量时,特征波长的选择是一个极具挑战性的问题。Lasso与Elastic Net算法虽被用于大维小样本数据的变量选择,但二者均以最小平方误差作为损失函数的度量方法来选择特征变量。因此,当样本中含有异常点时,经两种算法建立的模型对异常点更加敏感,导致模型向异常点偏移,鲁棒性降低。针对上述问题,采用Huber函数作为损失函数,提出了Lasso-Huber法进行近红外特征波长选择,结合偏最小二乘(PLS)方法建立安胎丸质控指标成分的定量校正模型,并与全波长建模、 Lasso与Elastic-Net方法波长选择后建模的模型性能进行对比。本实验采集21批安胎丸的近红外光谱数据共116条,其中101条数据作为校正集,采用留一交叉验证法对模型进行内部验证,另外15条数据则作为验证集用于外部验证。对于校正集中的异常光谱,使用基于主成分分析(PCA)的马氏距离法(MD)进行检测。以安胎丸的质控指标成分之一阿魏酸为例,采用Lasso、 Elastic-Net和Lasso-Huber方法分别筛选了安胎丸样品无异常光谱中69、 155和87个特征波长。其中Lasso-Huber法结合PLS建立的预测模型效果最佳,外部验证的RP2和SEP分别为0.953 1和0.058 7。此外,通过对校正集中是否包含异常光谱的校正模型预测性能对比发现,Lasso-Huber法在包含异常光谱的建模中更具优势。结果显示,Lasso-Huber算法优选出最佳波长点数为88,结合PLS建立的模型性能R_(v)^(2)为0.967 3,而Lasso方法的R_(v)^(2)为0.840 5, Elastic-Net方法的R_(v)^(2)为0.834 7,全波长建模的R_(v)^(2)为0.852 0。可见,在含有异常光谱的样本中,Lasso-Huber法不仅减少了特征波段的数量,同时降低了算法对异常光谱的敏感性,提高了模型的准确度和鲁棒性。从简化模型的角度上比较,Lasso法和Elastic-Net法的建模时间分别为61.826 0和79.959 9 s,而Lasso-Huber建模时间仅为1.360 8 s,因此,该算法更有望未来集成于实际生产应用的近红外光谱建模软件中。

基于Lasso回归的红皮病性银屑病伴发代谢综合征风险因素分析及预测模型构建

目的探究红皮病性银屑病患者发生代谢综合征的危险因素,构建可用于临床的预测模型。方法选取2014年3月至2022年6月北京中医医院皮肤科住院患者的病历数据,包括人口学、实验室资料及结局指标等,以是否发生代谢综合征为因变量,采用Logistic回归及Lasso回归筛选出最优潜在预测因子,建立风险预测列线图。通过受试者工作特征曲线(ROC曲线)评估模型区分度,Hosmer Lemeshow检验和Calibration曲线评估模型的一致性和获益性。结果以高血压、甘油三酯、糖尿病、高密度脂蛋白胆固醇、低密度脂蛋白胆固醇、非酒精性脂肪肝作为红皮病性银屑病患者发生代谢综合征预测指标,并建立列线图,评估模型得到训练集AUC=0.960,验证集AUC=0.942,显示模型具有较高预测能力。Hosmer Lemeshow检验显示χ^(2)=0.82,P=0.9997(P>0.1),calibration曲线所得AUC>0.9,说明模型区分度、准确度及可信度均良好。结论基于Lasso回归建立的临床预测模型具有良好的区分度、拟合度以及临床有效性,可应用于临床,为防治红皮病性银屑病患者合并代谢综合征提供科学依据。

基于Lasso-Logistic回归分析构建中青年急性LHI静脉溶栓后出血转化预测模型

目的基于Lasso-Logistic回归分析中青年急性大面积脑梗死(LHI)患者静脉溶栓后出血转化(HT)的影响因素,并建立列线图预测模型。方法选取2022年5月—2023年10月首都医科大学宣武医院行阿替普酶静脉溶栓治疗的中青年急性LHI患者495例,溶栓后24 h是否发生HT分为HT组、非HT组。比较两组临床资料,通过Lasso-Logistic回归分析HT发生的影响因素,根据回归分析筛查出的指标构建列线图预测模型,并评价列线图预测模型的临床应用价值。结果495例中青年急性LHI患者中HT发生率为25.66%(127/495);HT组年龄、房颤占比、糖尿病占比、发病至溶栓时间(ONT)3.0~4.5 h占比、溶栓前美国国立卫生研究院卒中量表(NIHSS)评分、血清C反应蛋白(CRP)、降钙素原(PCT)、中性粒细胞/淋巴细胞比值(NLR)、基质金属蛋白酶-9(MMP-9)、脂蛋白相关磷脂酶A2(Lp-PLA2)、可溶性凝集素样氧化低密度脂蛋白受体-1(sLOX-1)水平高于非HT组,外周血血小板、尿酸水平低于非HT组(P<0.05);房颤、糖尿病、ONT、溶栓前NIHSS评分、外周血血小板、尿酸水平、血清NLR、MMP-9、Lp-PLA2、sLOX-1水平均是静脉溶栓治疗后HT发生的影响因素(P<0.05);列线图预测模型预测HT发生的AUC为0.893(95%CI:0.862~0.925),敏感度、特异度分别为83.65%、88.42%,该模型校准度良好,且具有明显的正向净收益。结论房颤、糖尿病、ONT、溶栓前NIHSS评分、外周血血小板、尿酸水平、血清NLR、MMP-9、Lp-PLA2、sLOX-1水平均是中青年急性LHI患者阿替普酶静脉溶栓治疗后发生HT的影响因素,依据上述影响因素建立列线图预测模型,该模型对静脉溶栓治疗后HT发生具有一定预测价值及临床实用性,临床可依据该模型筛选早期HT发生高危患者,并采取个体化治疗措施,以降低HT发生风险。

基于LASSO-LSTM-CNN混合模型的中国能源指数预测研究

伴随着经济的高速发展,中国已成为全球一次性能源消费量最大的国家。能源兼具商品属性和金融属性,为积极应对能源危机和金融风险,中国积极转变经济增长方式,倡导绿色发展新理念。能源行业股票价格是能源市场利益相关者博弈最直接、最有效的反应,能源价格波动具有溢出效应、非对称效应和聚集效应。以我国能源指数为研究对象,通过引入深度学习技术,将高频数据和低频数据有机结合成预测大数据集,创新地构建LASSO-LSTM-CNN深度学习混合模型,预测精准度得到显著提升。研究结果显示,中长期预测可将LASSO-LSTM或LASSO-LSTM-CNN修改为多步输出的静态预测,其效果显著优于动态预测,精准度和泛化能力均有提升;但对于长期预测,由于高频数据的解释能力逐渐变弱,因此要综合考虑是否使用高频数据。我国应从生态视角认识能源在产业链中的基础与核心作用,积极发展绿色清洁能源。同时,充分利用LASSO和LSTM-CNN模型的优势,有效提升能源指数预测的准确性,为金融决策提供重要参考;在中期预测中充分考虑高频数据对预测能力的正向影响,而在中长期预测中谨慎应用高频数据。

基于Lasso-Cox回归模型的肺腺癌基因学预后风险分析

目的通过构建Lasso-Cox模型筛选肺腺癌差异表达基因,计算患者风险评分,构建肺腺癌预测模型,为肺腺癌的研究提供潜在的基因靶点,并为临床诊疗及预后提供新方向。方法下载癌症基因组图谱(TCGA)和肿瘤基因表达数据库(GEO)的肺腺癌基因表达和临床数据,用TCGA数据库训练模型,并合并两数据库用以模型验证,筛选的肺腺癌差异表达基因(DEGs)通过多因素Lasso-Cox回归构建风险评分预后模型,结合临床资料以确定肺腺癌最终的独立预后预测因素。利用GO富集分析、KEGG通路分析和CIBERSORTx免疫分析对风险模型差异表达基因进行生物学解释。结果通过单变量Cox和Lasso-Cox回归分析,获得了与肺腺癌预后相关的9个差异表达基因。结合临床数据的多因素Cox回归模型显示,恶性肿瘤病史、N分期、T分期和风险评分是预后的独立影响因素。结论本研究构建的肺腺癌预后模型可以有效预测患者的预后风险,为临床决策和个性化治疗提供理论基础。

基于Lasso-Logistic回归模型的胃癌影响因素分析

目的探究胃癌影响因素并构建临床预测模型。方法收集2020年12月~2023年10月就诊于上海中医药大学附属普陀医院及上海中医药大学附属曙光医院的1000例胃肿瘤患者的临床资料,经数据清洗剔除异常值后,分为胃息肉组(n=487)和胃癌组(n=479)。采用非参数检验筛选出有意义的指标,Lasso回归筛选具有非0系数的胃癌相关特征因素,逐步Logistic回归分析筛选出具有显著相关的因素,构建Lasso-Logistic回归模型,并绘制受试者工作特征(receiver operator characteristic,ROC)曲线计算曲线下面积(area under the curve,AUC)及混淆矩阵评估模型效能。结果多因素Logistic回归分析结果显示,年龄、白细胞计数(white blood cell,WBC)、单核细胞(monocyte,M)计数、谷丙转氨酶(alanine amiontransferase,ALT)、糖类抗原724(cancer antigen 724,CA724)、糖类抗原242(cancer antigen 242,CA242)、糖类抗原50(cancer antigen 50,CA50)、癌胚抗原(carcinoembryonic antigen,CEA)是胃癌的独立影响因素。基于多因素Logistic回归分析结果构建胃癌的风险预测列线图模型,测试集的AUC为0.91,精准率为100%,召回率为100%,验证集的AUC为0.93,精准率为93.63%,召回率为74.1%,模型预测效果良好。结论本研究构建8个胃癌常见预测因子,且Lasso-Logistic回归预测模型具有较好区分度,临床可基于患者体检报告,完成胃癌早期筛查。

基于LASSO回归和Cox比例风险模型探讨血红蛋白与颈动脉斑块形成的关联

目的利用体检人群数据库,通过最小化绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归算法筛选与颈动脉斑块形成的关键因子,并探索血红蛋白(hemoglobin,Hb)对颈动脉斑块形成的诊断价值,通过Cox比例风险模型验证HB与颈动脉斑块形成的关联及关联强度。方法采用海军青岛特勤疗养中心体检中心体检数据,以2014年体检人群资料为队列随访基线,以2020年为随访时间终点,随访事件结局为该人群新发颈动脉斑块,利用LASSO回归算法筛选颈动脉斑块影响因素,并通过Cox比例风险模型分析HB与颈动脉斑块的关联。结果共纳入977名未患有颈动脉斑块的体检人群,经过6年体检定期随访,随访新发颈动脉斑块326例,累计患病率为33.4%。LASSO回归筛选变量年龄和吸烟等9个变量时,模型均方根误差最小,其对应的λ=0.0113,LASSO回归模型筛选变量通过ROC预测新发颈动脉斑块的曲线下面积AUC为0.762。通过Cox比例风险模型进一步验证血红蛋白是颈动脉斑块发病的独立危险预测因素。结论体检人群高水平血红蛋白可能与颈动脉斑块发病相关,应重点关注中老年体检人群血红蛋白水平,提示较高的营养水平的人群是防控颈动脉斑块新发的重点人群。

基于Lasso-Bayesian改进的Kriging代理模型优化方法及其应用

为提高Kriging模型的性能并构建高精度代理模型,基于最小绝对收缩和选择算子(Lasso)与Bayesian算法对Kriging方法进行改进,实现了对Kriging模型的超参数调优,提出Lasso-Bayesian-Kriging代理模型的构建方法。采用Lasso正则化对模型输入进行特征选择,以降低模型复杂度,提高模型的泛化能力。使用Bayesian算法对Kriging中的相关参数、相关函数以及回归函数进行调优,得到高精度的Kriging代理模型。针对某车间加工矿用钻杆过程中的搬运桁架的实际工程问题,采用4种不同方法对桁架静力学分析进行代理建模,以桁架质量和变形量为代理对象,通过k折交叉验证,结果表明,Lasso-Bayesian-Kriging方法构建的代理模型精度最高,其交叉验证的平均决定系数R2分别为0.999、0.962。将优化算法与Lasso-Bayesian-Kriging模型相结合对桁架进行迭代优化,结果表明优化后的桁架在满足刚度的前提下实现了轻量化。

基于融合Lasso的非参数加性分位数回归模型

加性分位数回归为非线性关系的建模提供一种灵活、鲁棒的方法.拟合加性分位数模型的方法通常使用样条函数逼近分量,但需要先验的选择节点,计算速度较慢,并不适合大规模数据问题.因此文中提出基于融合Lasso的非参数加性分位数回归模型(Nonparametric Additive Quantile Regression Model Based on Fused Lasso,AQFL),是在融合Lasso罚和l_(2)罚之间折衷的可对加性分位数回归模型进行估计和变量选择的模型.融合Lasso罚使模型能快速计算,并在局部进行自适应,从而实现对所需分位数甚至极端分位数的预测.同时结合l_(2)罚,在高维数据中将对响应影响较小的协变量函数值压缩为零,实现变量的选择.此外,文中给出保证收敛到全局最优的块坐标ADMM算法(Block Coordinate Alternating Direction Method of Multipliers,BC-ADMM),证明AQFL的预测一致性.在合成数据和碎猪肉数据上的实验表明AQFL在预测准确性和鲁棒性等方面较优.

基于LASSO-Cox回归构建列线图模型预测机械通气患者的压力性损伤风险

目的构建列线图模型预测重症监护室(intensive care unit,ICU)机械通气患者压力性损伤(pressure injuries,PI)的发生风险。方法回顾性收集2020年1月1日至2023年3月15日复旦大学附属中山医院ICU接受机械通气患者的数据作为训练集,2023年10月1日至2023年12月11日同一医院ICU接受机械通气患者的数据作为外部验证集。基于LASSO回归和Cox比例风险模型筛选PI的风险变量,构建列线图模型。绘制受试者工作特征(receiver operating characteristic,ROC)曲线并计算曲线下面积(area under the curve,AUC)以评价模型区分度,绘制校准曲线及决策曲线分析(decision curve analysis,DCA)评价模型校准度和临床适用性。将验证集数据代入列线图模型进行外部验证。结果训练集共纳入580例机械通气患者,84例(14.5%)发生PI。LASSO回归和Cox比例风险模型共筛选10个变量,构建列线图模型。ROC曲线显示,预测机械通气患者发生PI的AUC为0.830。校准曲线和DCA曲线提示模型校准度和预测效能良好。外部验证集共100例患者,12例发生PI,AUC为0.870,校准曲线和DCA曲线显示模型性能良好。结论基于LASSO-Cox回归构建的列线图模型预测性能较好,可用于机械通气患者PI高危人群的筛查。

基于加权平均的CC-GRA-Lasso模型对生活垃圾清运量影响因素研究

城市生活垃圾清运量的影响因素较多,为有效筛选主要影响因素,采用相关系数(CC)、灰色关联度(GRA)和Lasso回归三种模型对合肥市生活垃圾清运量13个影响因素数据进行分析,选用CRITIC权重法对三种分析方法进行加权算术平均,计算出CC的权重为52.56%、GRA的权重为8.57%、Lasso的权重为38.87%。基于此构建CC-GRA-Lasso组合模型,最终筛选得到排名前7的主要因素为社会销售品零售总额、第三产业增加值、煤气天然气、年人均可支配收入、年人均消费支出、GDP和年末总人数。根据筛选出来的结果,采用GA-BP神经网络对合肥市城市生活垃圾2022-2035年清运量进行预测,合肥市在2035年生活垃圾清运量将达到447.02万吨。

基于XGBoost与Lasso模型进行电负荷数据预测

本篇文章旨在探讨工厂电力负荷预测的算法和模型,以保证工厂生产系统的效率和稳定性。首先,我们分析了工厂电力负荷的特点和影响因素,主要包括工厂电力负荷的历史数据,以及基于历史数据衍生出特征。然后,我们提出了一种基于机器学习的电力负荷预测模型,该模型能够根据历史数据预测未来一段时间内的电力需求。通过对比不同的机器学习算法,我们发现Lasso回归模型在预测精度和稳定性方面表现最好。最后,我们通过实验验证了该模型的有效性和实用性,为工厂电力负荷管理提供了重要的参考依据。

基于LASSO回归建立与验证中风痰瘀滞络证诊断模型的探索

[目的]探索并建立一个中风痰瘀滞络证的临床预测诊断模型,可应用于互联网医疗等现代大环境。[方法]对2021年6月至2022年2月上海市浦东新区浦南医院中医科收治的新发脑卒中有偏瘫后遗症的患者305例进行病史采集,给予中医证型诊断。将病例以7:3的比例区分为训练集及验证集,运用R语言进行LASSO回归筛选疾病研究因子,以二元Logistic回归建立模型,并予区分度、校准度验证,以列线图形式展示模型。[结果]30个研究因子经过筛选后留下9个因子建立模型,模型区分度:训练集曲线下面积(area under curve,AUC)0.942,95%可信区间(0.906,0.979);验证集AUC 0.951,95%可信区间(0.895,1.000)。校准度:Hosmer-Lemeshow指数(H-L)训练集P=0.47,验证集P=0.39。模型以列线图进行可视化展示。[结论]该诊断模型有较好的诊断效能,可在多种无法进行望诊、切诊的情况下给予辨证参考。

基于在线LASSO VAR和EGARCH模型的风场功率集成概率预测

由于风速波动性大,风力发电往往呈现一定的不确定性.传统风能预测模型以均值为0、方差固定的正态分布度量不确定性,但方差可能随时间变化,即具有异方差性.为提升预测精度,基于在线最小绝对收缩和选择算子的向量自回归(LASSO VAR)和指数自回归条件异方差(EGARCH)模型,提出一种考虑异方差性的风场级功率集成概率预测模型.首先使用在线LASSO VAR模型预测风力机的有功功率,再利用自回归条件异方差检验验证残差的异方差性,并利用信息冲击曲线和动态显著线评估正负残差对未来条件方差的不对称影响.然后针对异方差性和不对称性,使用EGARCH模型对单风力机有功功率的残差进行预测,得到有功功率的条件方差.最后,考虑各风力机有功功率的相关性,将风场中各风力机的有功功率求和,得到整个风场总有功功率的概率预测结果.将该方法应用于中国华东某地风场,验证了该模型能有效提高预测精度.

融合小波分解的Lasso光伏净负荷预测方法

为实现碳达峰、碳中和的目标,有必要对光伏净负荷进行预测,辅助电网根据不同用户的用电需求进行智能分配用电。文章提出了一种小波分解结合Lasso回归模型的预测模型,其中小波分解将时间序列数据的时频域进行对调,聚焦到数据的细节,更适合描述光伏净负荷的内在特性,而在Lasso回归模型中引入该方法将原始数据映射到合适的高维特征空间,使得Lasso回归模型应用于非线性的光伏净负荷数据。在实验验证中首先根据已有的10个台区的光伏净负荷数据进行分析,然后通过这些光伏净负荷数据使用预测模型进行训练和预测,实验结果表明该预测模型具有较高的准确性。

基于lasso的时间序列模型定阶

关于时间序列模型系数估计和定阶问题,前人研究出了对于模型估计有最小二乘估计,逐步回归方法、定阶方法、遗传算法等。但是,这些算法有很多共同缺点,如当变量集较大时,估计误差较大,计算时间较长,不稳定等。为解决以上这些问题,1996年Tibshirani提出了Lasso方法,将模型参数合理地压缩。本研究将Lasso方法应用到BLUED数据集的六组数据上,通过与最小二乘估计进行比较,说明Lasso方法在选择数据时能够应用较少的时间选择出重要的变量特征,同时在分类精度上还能高于最小二乘方法。由此证明Lasso在时间序列建模问题上是一个简单有效的方法。