基于深度回归森林的短期电力负荷预测

为减轻深度学习算法对于网络超参数的依赖,提出了基于深度回归森林的短期电力负荷预测方法。所提方法利用深度森林的默认超参数构建多粒度扫描过程和级联森林过程的森林模型。首先,通过多粒度扫描过程有效学习样本的内在特征并提取序列数据的时序特征;然后,将所有特征向量用作级联森林过程的输入,筛选最终特征向量;最后,利用训练数据的特征对预测样本进行预测。结果表明,所提方法能够有效地减轻超参数配置对深度学习模型的影响,预测结果比较精确。

深度集成森林回归建模方法及应用

复杂工业过程因涉及多种物理/化学反应,其质量指标或环保指标等难测参数的精确数学模型难以构建.常用的基于神经网络的数据驱动建模方法存在可解释性差、样本需求量大等缺点.针对上述问题,提出了一种非神经网络模式的深度集成森林回归(deep ensemble forest regression,DEFR)建模方法.首先,基于样本空间和特征空间的随机采样策略获得训练子集后构建T个基于决策树(decision trees,DT)的子森林模型,将采用K最近邻(K-nearest neighbor,KNN)准则选取的层回归向量与原始特征组合获得的增强层回归向量作为输入层森林模型的输出;然后,采用相同方式构建包含若干预设层数的中间层森林模型;最后,基于上层增强层回归向量构建输出层的子森林模型,通过对其T个输出值的加权获得DEFR模型的预测值.采用加州大学欧文分校(University of California Irvine,UCI)平台混凝土抗压强度数据和城市固废焚烧过程的二口恶英排放质量浓度数据仿真验证了所提方法的有效性.

基于Bagging半监督深度森林回归的二噁英排放浓度软测量

城市固废焚烧(MSWI)过程产生的副产品之一是被称为“世纪之毒”的二噁英(DXN),受限于其排放浓度检测技术难度以及时间与经济成本等因素,难以获得足量的有标记样本用于构建DXN排放浓度软测量模型。为有效利用现场控制系统采集的大量无标记样本,同时解决传统浅层学习模型泛化性能较差的问题,提出了基于Bagging半监督深度森林回归(DFR)的DXN排放浓度软测量方法。首先,基于Bagging机制以重采样原始标记数据集的方式获得多个训练子集,并构建具有差异性的多个随机森林(RF)模型;接着,将RF模型迭代更新、近邻集合选择和性能评估策略相结合用于获得高置信度伪标记样本;最后,基于伪标记和原始标记样本集构建DFR模型。采用北京某MSWI电厂的实际DXN检测数据验证了所提方法的有效性,结果表明,该方法的预测稳定性较好,其训练、验证和测试集的均方根误差分别为0.015 50、0.020 23和0.019 73。

浅谈基于深度森林的年龄估计

人工智能和深度学习越来越多地进入到我们的日常生活。自动人脸年龄估计是人工智能领域的一个热门研究问题,并随着社交平台和社交媒体的兴起越来越受到人们的关注。从基于传统人工智能技术和基于深度学习的两个方法对人脸年龄估计进行了介绍,并着重对基于深度森林的年龄估计进行了阐述。

能源资源开发区域大气CO_(2)时空变化及影响因素分析

分析能源资源开发区域大气碳浓度的时空变化和影响因素,对于探索“碳达峰”“碳中和”背景下能源资源开发高质量发展路径至关重要。新疆维吾尔自治区是我国重要的能源和战略资源基地,本文面向新疆维吾尔自治区的能源资源开发现状,采集并预处理了2015—2021年轨道碳观测卫星-2(Orbiting Carbon Observatory-2,OCO-2)二氧化碳L3数据产品,分析研究区大气碳浓度的时间变化趋势和空间分布格局,构建深度森林回归模型,并分析各影响因素对碳浓度时空变化的驱动作用。结果表明:(1)新疆维吾尔自治区、准噶尔盆地、吐哈盆地和塔里木盆地XCO_(2)浓度在2015—2021年均呈周期性上升趋势,增长率呈“先减后增”,且季节变化趋势呈现明显的“春季高冬季低”;(2)在春、秋和冬季,新疆XCO_(2)浓度空间格局呈现“北高南低”的趋势,在盆地区域及能源资源开发区域出现XCO_(2)高浓度积聚现象,夏季则呈现“北低南高”趋势;(3)地形起伏、风场流速、NDVI、地表温度、降水量、10 mV风、10 mU风和能源开发强度对区域XCO_(2)浓度时空分布有显著影响,各因素呈现明显的空间异质性和显著差异。研究结果有助于理解能源资源开采区域的大气碳浓度时空演变机制,在国家碳减排目标的实现、指导碳中和策略、追踪碳减排效果等方面具有深远意义。