Jul, 2022

利用随机森林和梯度提升预测短期能源消耗

PDF
TL;DR该研究比较了随机森林和梯度提升算法在基于历史数据预测能源消耗方面的性能，并使用加权平均集成方法将两种算法单独应用于能源消耗的预测，实验结果表明，加权平均集成方法比两种算法单独应用提供更准确的结果。
发现论文，激发创造
  • 使用堆叠非参数贝叶斯方法进行能耗预测

    本文针对多个短时间序列数据中的房屋能源消耗预测问题，研究了在非参数高斯过程（GP）框架下的处理方法。文章使用堆叠式 GP 方法处理澳大利亚多个地区的实际数据，得出在有多个短时间序列时，该方法优于其他常用的机器学习技术的预测结果。

    Nov, 2020

  • 智能电网中太阳辐射预测的机器学习算法比较分析

    利用机器学习算法如随机森林、极端梯度提升、轻量级梯度提升机、CatBoost 和多层感知器人工神经网络来预测太阳辐照度，并通过特征选择进一步提高预测性能。

    Oct, 2023

  • 可再生能源中预测和优化问题的方法比较与评估

    本文介绍了 2021 年 IEEE-CIS 关于可再生能源调度的技术挑战赛的七个排名最高解决方案，比较和评估了这些解决方案，并提供了一个基准问题，以便在这个领域促进和便利研究。这场比赛使用了 Monash 微电网的数据、天气数据和能源市场数据，并专注于两个主要挑战：预测可再生能源的生产和需求，并获得活动（讲座）和现场电池的最低成本的最佳方案。最准确的预测由梯度提升树和随机森林模型得出，而优化大多使用混合整数线性和二次规划。

    Dec, 2022

  • 面向物联网边缘节点的动态决策树集成能效推理

    本文针对物联网设备上的机器学习模型能源消耗较大的问题，提出了一种基于决策树集成的动态集成算法，在保证准确率不降低的情况下，显著降低了能耗。

    Jun, 2023

  • 机器学习模型对天气预测的比较评估

    该研究通过应用机器学习算法，分析了各种算法在使用达卡市一个气象站 20 年数据预测降水和温度变化模式方面的贡献和性能指标。研究结果突出了显著成就，并提供了有价值的洞察和特征相关性。

    Feb, 2024

  • 家庭短期能源消耗预测的电气行为关联挖掘

    该研究提出了一种利用关联挖掘和卷积神经网络门控循环单元的新型家庭短期能源消耗预测 (STECF) 方法，通过建模行为关联和探索时间相关性，实现了日前比例尺上 STECF 的准确性的显著提升。

    Jan, 2024

  • 利用外生变量和机器学习算法进行短期股票价格预测

    追溯 2020 年 3 月至 2022 年 5 月的短期内，该研究比较了四种机器学习模型在预测纽约证券交易所三支知名股票的准确性，并发现 XGBoost 模型虽然运行时间较长（最多 10 秒），但提供了最高的准确性。

    May, 2023

  • 制造业短期瞬时能耗预测的深度学习

    本文研究了如何在短期内准确预测能源消耗，对比了使用 LSTM、CNN、混合 CNN-LSTM 和 TCN 等多种深度学习算法的表现，通过实验结果表明 TCN 是最可靠的预测短期能源消耗的方法。

    Jul, 2022

  • 使用随机森林预测股市价格走向

    使用随机森林分类器等机器学习算法，通过对技术指标进行特征筛选，进行股价预测，预测效果优于已有文献中现有的算法。

    Apr, 2016

  • 在零售领域中使用梯度提升树进行可扩展的概率预测：实践者的方法

    对于规模更大的电子商务公司的预测挑战，在较少的系列和间歇性数据的聚合级别上进行自顶向下的预测，并进行分解以获取决策级别的预测，通过分布假设产生概率预测，并使用子样本进行直接训练的可扩展方法。

    Nov, 2023