基于特征选择策略和TCN的电力负荷预测方法

电力负荷由于受到多种外部因素影响,具有较大的波动性和随机性,使得高精度的负荷预测十分困难。为有效处理高维特征以提高模型预测精度,提出了一种基于特征选择策略和时间卷积神经网络的电力负荷预测方法。首先,采用基于极端梯度提升树的特征选择策略,深度挖掘与负荷关联性强的特征作为预测模型的输入;其次,构建基于时间卷积神经网络(TCN)的电力负荷预测模型,对特征选择后的负荷数据进行预测;最后,采用某市真实负荷数据进行仿真分析。结果表明,文中所提方法与传统预测方法相比,具有更高的预测精度。

基于常规临床检验指标构建子痫前期风险预测模型

目的利用常规临床检验指标构建基于人工智能的子痫前期风险预测模型。方法收集2019年1月至2021年12月就诊于内蒙古自治区人民医院342例子痫前期患者和346例健康孕妇的4项常规临床检验指标(血常规、尿常规、生化全项和凝血四项)。应用LASSO和Tuning Relief F(TURF)以指标数据为特征进行打分选择,评估常规临床检验指标。用支持向量机、随机森林、K-nearest neighbor(KNN)和XGBoost构建人工智能预测模型。通过SHAP解释特征如何影响模型并做出决策。结果基于TURF特征选择策略,KNN在仅使用7个特征指标的情况下预测性能最优,分别是尿蛋白、尿电导率、碱性磷酸酶、血尿酸、乳酸脱氢酶、平均红细胞血红蛋白浓度和淀粉酶。在训练集和测试集上的预测准确度分别为82.55%和82.56%;聚类分析表明,使用7个最优特征指标相较于87个全部特征指标具有更好的效果。SHAP解释结果表明,尿蛋白和乳酸脱氢酶对模型做出正确决策有显著影响。结论常规临床检验指标可以用于预测子痫前期,且通过特征选择策略可以在降低特征维度基础上进一步提高预测性能。