通过机器学习算法对低碳出行数据进行特征分析和挖掘，本研究旨在研究居民低碳意识形成机制，为交通管理者引导城市居民选择低碳出行方式提供重要依据。实验结果表明，居民低碳出行意愿可分为三类：强烈、中立和不强烈；而职业、居住地、家庭结构和通勤时间是最重要的因素之一。该方法从多个方面为城市交通低碳的发展和管理提供政策建议。

Dec, 2023

研究探讨不同机器学习算法在现在预测马达加斯加国内生产总值 (GDP) 方面的预测能力。我们使用 10 个马达加斯加季度宏观经济领先指标，对流行的回归模型进行训练，包括线性正则化回归 (Ridge，Lasso，Elastic-net)，维度约简模型 (主成分回归)，k 最近邻算法 (k-NN 回归)，支持向量回归 (线性 SVR)，以及基于树的集成模型 (Random Forest 和 XGBoost 回归)，并使用简单的计量经济模型作为基准。通过计算均方根误差 (RMSE)，平均绝对误差 (MAE) 和平均绝对百分比误差 (MAPE) 来衡量每个模型的现在预测准确性。我们的发现表明，通过汇总个体预测形成的集成模型始终优于传统计量经济模型。我们得出结论，机器学习模型可以更准确和及时地预测马达加斯加的经济表现，并为决策者提供数据驱动的决策指导。

Dec, 2023

通过对大量新闻语料库进行自然语言处理，本研究探讨了能源需求与社会其他方面的联系，并发现军事冲突、交通运输、全球大流行、地区经济和国际能源市场等因素与电力需求有关。此外，研究还发现在英国的五个地区，经济指标对于东米德兰兹和北爱尔兰而言更为重要，而社会指标对于西米德兰兹和英格兰西南部更为有用。此外，利用这些指标可以提高预测性能最多达到 9%。

Jun, 2024

利用三种回归模型来预测建筑的主要燃料使用、电能消耗和节约成本，以及通过应用元启发式技术优化决策树算法，研究分析影响能源消耗和成本降低的因素，并评估潜在建筑的实用特征，以减少主要燃料使用、电能消耗和成本。

May, 2023

本文提出了一个基于机器学习模型分析可持续指标的强健模型，通过十种机器学习模型，包括随机森林，估算了三个生物量可持续性指标，结果表明随机森林是最佳选择，并可作为实时评估可持续性指标的指南。

Feb, 2023

该研究探讨了电力行业由中央集中化向分散化的转变，重点关注了机器学习在推动可再生能源和改善电网管理方面的关键作用。研究使用了人工神经网络、支持向量机和决策树等多种技术，将机器学习模型应用于预测可再生能源的生成和消耗，并采用数据预处理方法提高预测准确性。通过结合大数据和机器学习技术，智能电网能够提高能源效率、更有效地响应需求并更好地整合可再生能源。然而，需要解决大数据处理、网络安全和获取专业技术等挑战。总之，该研究揭示了电力行业由中央集中化向分散化解决方案转变，并通过应用机器学习创新和分布式决策塑造了更高效和可持续的能源未来。

Oct, 2023

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

使用基于机器学习的分析框架，我们解析了现代带有高比例可再生能源的电力市场中价格波动事件的主要驱动因素，结果可应用于市场设计、可再生能源的调度和削减、运营以及网络安全应用等关键领域。

Sep, 2023

本文探讨了如何更好地利用新闻中包含的社会信息来理解能源需求方面的人口总体行为，并通过实验分析从国家新闻中提取的预测特征对日前电力需求预测的影响，实验结果表明最佳表现模型可将官方标准误差在 RMSE、MAE 和 SMAPE 方面降低约 4%、11% 和 10%，最佳表现方法包括确定 COVID-19 相关关键字的词频、识别流行病和内部政治新闻的主题分布，识别国际冲突新闻的全球词嵌入，为传统电力需求分析带来了新的视角并确认利用文本中的非结构化信息改进其预测的可行性，具有潜在的社会学和经济学影响。

Jan, 2023

准确的负荷预测对电力系统的高效可靠运行至关重要。本文开发了几种机器学习模型，将各种时间和天气信息作为输入特征，用于预测短期系统总负荷。通过对不同天气因素对预测准确性的影响进行剔除研究，并通过对同一地区的实际负荷和历史天气数据进行训练，证明了采用不同天气和时间输入特征训练的机器学习模型在 ERCOT 负荷预测中的有效性。

Oct, 2023