基于Lasso-RF模型的燃气轮机启动过程建模分析

建立燃气轮机启动过程的模型对指导启动操作以及优化启动时间具有重要意义。提出一种基于最小绝对收缩和选择算法(Least absolute shrinkage and selection operator,Lasso)的随机森林(Random Forst,RF)预测模型(Lasso-RF)。以三菱M701F4型燃气轮机历史运行数据为例,训练改进预测模型并对模型的准确性进行验证。结果表明,Lasso-RF模型的预测准确度、拟合程度都明显优于支持向量机(Support Vector Machine,SVM)模型。Lasso-RF模型不仅能高效精准地选择出燃气轮机启动过程模型的关键属性,并且能够对关键参数进行有效预测,对燃气轮机的启动过程优化具有一定的指导价值。

基于Adaptive Lasso及RF算法的冰雪天气交通事故分析

为分析冰雪天气下高速公路交通事故频发致因,量化分析驾驶环境、驾驶员及车辆情况对事故的影响,根据Adaptive Lasso和随机森林(RF)混合算法建立预测模型。以10年约30万组冰雪环境下高速公路交通事故数据为例,训练改进预测模型验证其准确性。结果表明,混合算法的准确度和拟合程度都优于支持向量机(SVM)、分类回归树(CART)及RF等单独算法。交通事故与环境因素相关性最显著,坡路、弯道及交叉口处事故受冰雪环境影响较大;事故与驾驶员因素中部分因素显著相关,如驾驶员性别及安全带使用情况;本地驾驶员对驾驶能力及冰雪环境的估计错误更易导致交通事故。

基于Adaptive Lasso与RF的航班运行风险预测改进研究

为了解决航班运行风险高维数组运算过于复杂的问题,同时为防止模型过度拟合影响预测精度,基于中国民航局发布的风险评估体系,以某航450组真实航班数据为标准样本,首先使用自适应套索算法(Adaptive Lasso)进行降维,从63项风险自变量中筛选出15项独立变量;然后,使用随机森林算法(Random Forest,RF)进行防过拟合处理,结果显示当使用重要度排序前12项变量拟合时,结果误差达到最小值,即得到最终预测指标;最后,构建Adaptive Lasso和RF的二阶段混合模型,同时选取主成分分析(Principal Component Analysis,PCA)、径向基函数(Radial Basis Function,RBF)网络、支持向量机(Support Vector Machine,SVM)3种对比方法,使用十折交叉验证精度.结果表明:Adaptive Lasso方法在筛选掉48项指标后,结果精度未见下降;经RF处理后4种方法评估精度均大于未处理前;Adaptive Lasso-RF混合模型的预测准确率和稳定性均优于PCA、RBF神经网络和SVM等方法.综上说明混合模型实现了有效降维和防过拟合,可大幅提升预测精度,用于解决航班风险预测问题可行并有效.

“双碳”目标下中国能源消费碳排放量预测

【目的】面对“碳达峰、碳中和”全球性主题,预测与模拟中国能源消费碳排放量,探索碳达峰时间及碳中和可实现性,为促进减排目标的实现提供理论依据。【方法】本文运用碳排放系数法测算1986—2019年中国26种能源消费的碳排放量,从经济、社会、环境、能源、技术5个方面出发,建立了包含18个变量的能源消费碳排放影响因素指标体系,利用Lasso回归筛选出5个主要因素。运用3种机器学习方法和Lasso回归构建了支持向量机回归(SVR)、随机森林(RF)、BP神经网络和Lasso-SVR、Lasso-RF、Lasso-BP共6种碳排放量预测模型,基于均方误差(MSE)和平均绝对误差(MAE)对6种预测模型进行比较和分析。结合情景分析法设置新常态化情景、绿色低碳情景、2℃目标情景和1.5℃目标情景4种情景,选择最优预测模型对4种情景下中国2020—2060年的碳排放量进行模拟分析。【结果】研究显示:4种情景下,随着减排力度加强,中国碳达峰平台期逐渐缩短,平台期内碳达峰时间分别为2035、2029、2026、2025年,峰值分别为95.8亿、74.48亿、67.23亿、65.23亿tCO_(2)e,2℃目标情景和1.5℃目标情景下中国能如期实现碳中和目标,4种情景均可能实现2℃温升目标,但前两种情景不能实现1.5℃温升目标。【结论】4种情景下中国能源消费碳达峰峰值和达峰时间不尽相同,实现碳中和的可能性也有所差别。为尽早实现“碳达峰、碳中和”目标,中国必须着力推动产业结构和能源结构优化,增加绿色资产投资,以技术进步助力减排事业发展。