基于相似日选择与改进Stacking 集成学习的短期负荷预测

单一机器学习算法进行短期负荷预测存在着泛化能力受限的问题,本文将Stacking 集成学习模型引入到短期负荷预测问题,对于在交叉验证下同一基学习器不同预测模型表现出预测准确度的差异性,根据预测精度对同一基学习器中不同预测结果进行赋权,考虑到不同环境下各影响因子对日负荷值影响程度不同,引入蚁狮算法(ALO)自适应的调整各个影响因子的权值,提高相似日选取方法的准确性,通过相似日选取方法筛选出的相似日集合样本训练改进的Stacking算法预测模型,利用中国北方某地区的负荷数据进行实际算例分析。实验结果表明,在面对负荷影响因素复杂且训练样本较多的情况下。本文所提的方法具有良好的鲁棒性、稳定性和预测精度。     

基于拟似然估计方法的软件失效预测模型

软件缺陷预测是软件可靠性研究的一个重要方向。由于影响软件失效的因素有很多,相互之间关联关系复杂,在分析建模中常用联合分布函数来描述,而实际应用中难以确定,直接影响软件失效预测。基于拟似然估计提出一种软件失效预测方法,通过主成分分析筛选影响软件失效的主要影响因素,建立多因素软件失效预测模型,利用这些影响因素的数字特征(均值函数和方差函数)以及采用拟似然估计方法估计出模型参数,进而对软件失效进行预测分析。基于两个真实数据集Eclipse JDT和Eclipse PDE,与经典Logistic回归和Probit回归预测模型进行实验对比分析,结果表明采用拟似然估计对软件缺陷预测具有可行性,且预测精度均优于这两种经典回归预测模型。     

基于灰关联分析法和多元线性回归模型的有轨电车能耗预测

针对传统的有轨电车能耗预测模型缺少对能耗影响因素进行显著性量化分析的问题,提出灰关联分析法和多元线性回归模型相结合的有轨电车能耗预测方法。首先通过有轨电车动力学模型分析有轨电车能耗影响因素,然后利用灰关联分析法计算这些影响因素的关联度,最后选取关联度较大的因素作为模型输入变量,根据多元线性回归模型建立有轨电车能耗预测模型。经实验验证,新建模型的平均预测误差为2. 29%,相比已有文献中提出的回归模型其预测误差更小。因此,该能耗预测模型能够更好地反映有轨电车能耗变化趋势。     

基于逐步回归分析的话务预测研究

针对现有话务预测模型变量单一、预测误差大等问题引入了逐步回归分析法;结合海河银行信用卡呼叫中心实际需求,对话务数据进行了抽取集成等预处理操作;随之建立了各影响因素的一元回归模型,并在此基础上得到了多元逐步回归的话务预测模型;最后将此建模方法与其他分析法进行了综合比较并给出评价。     

一类未知非线性离散系统的直接自适应模糊预测控制

将自适应模糊逻辑系统引入预测控制,对一类未知非线性离散系统提出了直接自适应 模糊预测控制方法.首先对被控对象提出了线性时变子模型加非线性子模型的预测模型,然后直 接利用模糊逻辑系统设计预测控制器,并基于广义误差估计值对控制器参数和广义误差估计值中 的未知向量进行自适应调整.文中证明了此方法可使广义误差估计值收敛到原点的小邻域内.     

基于NARX神经网络的热负荷预测中关键影响因素分析

在区域供热（DH）网络中,精确预测热负荷已被认为是提高效率和节省成本的重要环节。为了提高预测精度,研究不同影响因素对热负荷预测的影响极为重要。使用引入不同影响因素的数据集训练得到带外部输入的非线性自回归（NARX）神经网络模型,并比较其预测性能,以讨论直接太阳辐射和风速对热负荷预测的影响程度。实验结果表明,直接太阳辐射和风速都是热负荷预测中的关键影响因素。只引入风速时,预测模型的平均绝对百分比误差（MAPE）和均方根误差（RMSE）均低于只引入直接太阳辐射,同时引入风速和直接太阳辐射能够得到最佳的模型预测性能,但是对于MAPE和RMSE降低的贡献不大。     

面向高铁站的热舒适度和能耗综合预测

针对高铁站这类半封闭建筑的热舒适度影响因素众多,影响机制复杂以及热舒适度与能耗存在背反等问题,提出了基于机器学习的高铁站热舒适度与能耗综合预测方法。首先采用传感器数据捕获及Energy Plus仿真两种方式对高铁站室内外状态、多联机及热交换机等控制单元及热能传导环境进行建模;其次提出影响高铁站热舒适度的八类因素——多联机开启台数、多联机设置温度、热交换机开启台数、客流密度、室外温度、室内温度、室内湿度和室内二氧化碳浓度,并设计424种模型运行工况以及3 714 240个实例;最后设计6种机器学习模型——深度神经网络、支持向量回归、决策树回归、线性回归、岭回归和贝叶斯岭回归,来对高铁站室内热舒适度和空调能耗进行有效预测。实验结果表明,6种机器学习模型中决策树回归预测模型能够在较短的时间内获得最优的预测性能,其平均均方误差低至0.002 2。所得研究成果可直接为下一阶段的温控策略提供主动预判的环境状态参数并实现实时决策。     

WSN目标定位动态预测方法研究

针对固定预测时间间隔下目标机动对无线传感器网络目标定位预测效果影响较大的问题,分析目标预测误差产生机理及主要影响因素,提出WSN目标定位动态预测方法。该方法根据目标预测模型构造预测时间增量函数,通过固定预测时间增量函数取距离自变量值动态调节目标预测时间间隔,实现目标运动状态自适应动态目标预测。仿真平台分别应用运动学预测、粒子滤波预测方法建立预测模型,并进行目标预测实验;结果表明,目标机动情况下,目标动态预测方法误差相比固定预测时间时间间隔方法分别减小18.5%、12.8%,动态目标预测方法能较好改善机动性目标预测效果,增强预测方法对目标运动变化的自适应能力。     

一种改进的深度置信网络在交通流预测中的应用

针对现有交通流预测方法忽视对交通流数据自身特征的有效利用以及不能模拟更复杂的数学运算,提出了一种改进深度置信网络（deep belief network,DBN）的交通流预测方法。该方法结合深度置信网络模型与Softmax回归作为预测模型,利用连续受限玻尔兹曼机（continuous restricted Boltzmann machines,CRBM）处理输入特征向量,利用自适应学习步长（adaptive learning step,ALS）减少RBM训练网络模型时重建误差所需的时间,用改进的深度置信网络模型进行交通流特征学习,在网络顶层连接Softmax回归模型进行流量预测。实验结果表明,在实际的交通流数据预测中,改进的DBN模型的预测准确率以及时间复杂度相比传统预测模型都得到了较好的改善。     

基于跟踪误差调节的非线性自适应模糊预测控制

将模糊逻辑系统引入预测控制，对一类非线性离散系统提出了直接自适应模糊预测控制的方法，此方法首先建立被控对象的预测模型;然后基于此模型直接利用模糊逻辑系统设计预测控制器，并基于跟踪误差对控制器参数中的未知向量进行自适应调整;最后证明了此方法可使跟踪误差收敛到原点的一个小邻域内。