基于SARIMA-RF组合模型的西安中欧班列预测及发展对策

为提升西安中欧班列开行车数预测精度和泛化能力,综合考虑西安中欧班列时间序列数据的线性和非线性特征,提出基于SARIMA-RF组合模型的班列开行车数预测方法。首先使用季节性自回归移动平均模型(SARIMA)预测开行车数,其次利用随机森林(RF)模型校正残差,构建组合模型,最后将组合模型与ARIMA、SARIMA、RF、XGBoost进行对比。使用2014-2023年西安中欧班列月度开行数据实验,预测2024年开行车数为24.40万车,2025年为26.71万车,对比结果表明:组合模型的M_(SE)、R_(MSE)、M_(AE)、M_(APE)分别为0.0037、0.0610、0.0530、3.41%,比其他模型精度更高。

改进随机森林算法在用电预测中的应用

全社会用电量对于电力企业的经营和管理具有重要作用。提高全社会用电量的预测精度,有利于合理调配电力资源,提前为“迎峰度夏”等特定用电场景作好供电准备。针对全社会用电预测难度较大的问题,提出利用K-means聚类对行业用电数据进行有效区分。根据不同类型行业的波动特点,采用季节性自回归整合滑动平均(SARIMA)和随机森林(RF)的混合模型预测出各类型行业的用电指数,以预测全社会用电量发展趋势,从而提高预测准确率。以某省2018年1月至2021年6月全社会及各行业月用电量数据作为样本数据,测算发现各行业用电波动有明显差异。研究结果显示:该模型能够对不同类型行业的用电特点进行修正,具有较好的稳定性;全社会用电量的预测结果准确,相对误差控制在2.0%以下。