基于特征选择算法的建筑能耗预测集成模型

为提高建筑能耗预测效果,提出一种基于随机森林特征选择算法的建筑能耗预测集成回归模型(RF-GBDT)。通过随机森林的特征选择算法处理原始数据集生成最优特征子集,使用梯度提升决策树算法将6种基础的机器学习算法建立集成回归模型,以最优特征子集作为集成模型的输入数据集。使用评价指标RMSE和R^2将集成模型预测结果与传统集成模型以及单一机器学习算法的预测结果进行对比,实验结果验证了集成后的RF-GBDT模型比单一算法的预测性能有了大幅度提升。

变机动高超声速滑翔目标的轨迹序列预测算法

针对变机动临近空间高超声速滑翔目标轨迹难以准确预测的问题,提出一种基于ARIMA-UKF的轨迹预测算法。首先,在目标机动变化情况下通过无迹Kalman滤波(Unscented Kalman Filter,UKF)算法实现对目标的跟踪估计,为轨迹预测提供基础数据;其次,通过对数据进行平稳性分析、模型辨识、参数估计和模型诊断来确定自回归集成滑动平均(Autoregressive Integrated Moving Average,ARIMA)模型,并根据该模型预测目标加速度信息;最后,结合UKF算法中的一步预测方法对目标轨迹进行预测。仿真结果表明,UKF算法能为轨迹预测提供位置误差小于100 m和速度误差小于1.2 m/s的跟踪估计数据;在目标变机动情况下相较于复合函数拟合预测方法,ARIMA-UKF算法预测150 s,100 s和50 s时的位置精度分别提升了5 km,4.5 km和2.3 km。