XGBoost与GRU模型在发电功率预测中的应用

超短期光伏发电功率预测是电网安全调度与平稳运行的基础。针对传统单一预测模型存在预测精度不高、模型抗干扰能力差、鲁棒性不强等问题,本文提出了一种基于双重XGBoost-GRU的混合预测模型,并经过以澳大利亚爱丽丝泉光伏发电系统为算例的仿真分析。仿真实验的结果表明,双重XGBoost-GRU组合预测模型相较于GRU、XGBoost-GRU误差分别降低了93.93%、75.65%,说明了基于特征创造XGBoost-GRU融合预测模型具有良好的预测效果。

基于XGBoost模型的缺血性脑卒中患者中医药治疗复发预测研究

目的:研究中医药康复治疗干预下,发现复发的风险因子及预测模型,为首发IS患者的复发预防干预提供参考。方法:纳入2019年3月至2022年6月我院缺血性脑卒中患者485例,分为复发组和未复发组。比较两组患者各项指标差异,分别构建复发风险预测模型,筛选出预测性能最好的模型。结果:6个月内是否复发的预测结果,LR模型预测准确率最低,XGBoost模型预测准确率最高。六种模型中XGBoost模型在6个月和12个月内是否复发预测均性能最优。XGBoost模型变量特征重要性分析结果显示,6个月内预测入院NIHSS评分、总胆固醇、D-二聚体、高密度脂蛋白、中性粒细胞比是前五位风险因子。12个月内预测居民类型、颈内动脉狭窄度、肥胖、年龄、总胆固醇是前五位风险因子;6个月内与12个月内复发风险因子存在一定差异。结论:中医康复治疗下,XGBoost模型对6个月内和12个月内是否复发均有较好的预测性能,可用于首发IS患者复发风险预测,为首发IS患者复发预防干预提供参考。

基于机器学习的环境监测数据对循环系统疾病死亡影响及预测预警模型构建

【目的】利用机器学习对循环系统疾病死亡构建预测预警模型及评价,为疾病的预防提供参考。【方法】使用中国某地区2014-2018年循环系统疾病死亡数据进行分析,采用GAM、RF、XGBoost构建预测模型。分布滞后非线性模型计算累积滞后效应结果构建预警模型,进行模型评价。【结果】累积滞后效应发现持续低温高温、高日照时数、高环境污染物浓度会增加循环系统疾病死亡风险,累计7天的相对危险度分别为1.236、1.130、1.560、1.062、1.218、1.153、1.796。RF、XGBoost模型RMSE为4.979、5.341,性能较好。年龄、性别、气温、日照时数、SO_(2)、NO_(2)、CO、O_(3)、PM_(10)、PM_(2.5)浓度为筛选出的特征变量,将累积滞后效应筛选后的数据确定预警值的预警效果较好。XGBoost预测结果的灵敏度、特异度、曲线下面积分别为0.948、0.939、0.941。【局限】缺乏伴随疾病独立数据和疾病发展进程数据。【结论】该地区死亡数增加与高年龄、男性、温度、日照时数、污染物浓度的升高有关。利用XGBoost模型构建的预测预警模型性能好,可为相关部门疾病的预防和干预提供参考价值。

基于特征提取和XGBOOST的电动重卡电池故障预警方法

电池包经常处于深度放电状态会极大地影响电池寿命,在严重情况下甚至会导致停车故障,传统故障诊断方法难以判断电池潜在故障以及故障发生程度。因此,本文提出了一种基于特征提取和XGBoost的电池故障预警方法。该方法对电池数据进行预处理,根据电芯端电压构建新的特征,对电池数据进行标注,建立XGBoost预测模型来预测电压故障,判断动力电池是否欠压。此外,还采用K折交叉验证以及随机搜索算法提高预测的准确性。实验结果表明,该方法可以有效区分故障车和正常车,并提前定位故障发生时间,从而避免潜在的事故风险。