排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
能源负荷时间序列具有周期波动性和增长性两重趋势。一般梯度提升树GBDT通过集成多个分类与回归树CART,能够很好地拟合周期波动性趋势,但是对于增长性趋势拟合较差。相关研究先分解再使用组合模型预测,而本文研究在分解后使用多分量集成学习进行预测。首先分解出负荷的2种趋势分量及残差分量,将CART的叶节点改为3个预测模型,使其能够对3个分量进行预测。同时优化CART损失函数为各分量预测结果的误差平方总和,使其能够考虑3个分量预测模型的损失。然后基于梯度提升重构预测结果,使其能够以多分量集成学习的方式拟合负荷的两重趋势。最后提出基于分解和多分量集成学习的负荷预测方法,该方法在某地区电力负荷预测实验中,相比其它预测方法,各项误差评价指标均有所下降。实验结果表明,本文提出的方法在两重趋势性负荷的预测中具有更好的表现,同时也为GBDT预测其它类型数据提供了改进思路。 相似文献
2.
确保有色纱线混纺比的经验介绍 总被引:1,自引:0,他引:1
88年我厂为开封色织厂加工涤/粘18.5×2tex中长纱,原料比例为白涤:色涤:粘胶37:13:50。要求混合均匀无色差,保证混纺比差异在±1.5%以内。因紫红色涤纶比例仅占13%,故不易 相似文献
3.
1