CN115099499A - 一种基于随机森林的emd-lstm对pm2.5浓度预测的方法 - Google Patents

一种基于随机森林的emd-lstm对pm2.5浓度预测的方法 Download PDF

Info

Publication number
CN115099499A
CN115099499A CN202210745475.8A CN202210745475A CN115099499A CN 115099499 A CN115099499 A CN 115099499A CN 202210745475 A CN202210745475 A CN 202210745475A CN 115099499 A CN115099499 A CN 115099499A
Authority
CN
China
Prior art keywords
data
value
representing
emd
lstm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210745475.8A
Other languages
English (en)
Inventor
吴晓璇
朱俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University
Original Assignee
Hefei University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei University filed Critical Hefei University
Priority to CN202210745475.8A priority Critical patent/CN115099499A/zh
Publication of CN115099499A publication Critical patent/CN115099499A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于随机森林的EMD‑LSTM对PM2.5浓度预测的方法，涉及空气污染物浓度预测技术领域。首先通过对以往数据进行特征选择，再通过设定相应的阈值挑选出合适的特征数据。然后再将挑选中出来的数据进行经验模态分解得出相应的几个特征和残差。最后将分解出来的几个特征和残差放入长短期神经记忆网络中去训练，得出相应的预测结果，之后将得出的几个预测结果进行相加便得出最终的预测结果。本发明的PM2.5浓度预测的方法，其预测结果精准，并且减少了不必要的运算量。

Description

一种基于随机森林的EMD-LSTM对PM2.5浓度预测的方法
技术领域
本发明涉及空气污染物浓度预测技术领域，具体是涉及一种基于深度学习建模技术的PM2.5浓度预测方法，更具体的是涉及一种基于随机森林的EMD-LSTM对PM2.5浓度预测的方法。
背景技术
近年来，空气污染逐渐成为人们不可小觑的一个重点问题，它直接和人们的身体健康挂钩。PM2.5一般认为是空气动力学粒径不超过2.5μm的气溶胶颗粒物总称，其也是大多数城市影响空气污染的核心指标。如果人长期暴露在充满PM2.5的环境中，那么就会显著的增加其患病的概率，会对人本身的呼吸系统、神经系统、心血管系统及生殖系产生严重的危害。国际上的癌症研究机构也发现PM2.5是导致癌症的第一因素，并将它视为影响环境和身体健康的主要因素。因此，如何对PM2.5浓度进行准确的预测已成为大众的关注热点，也是各类大气环境保护机构谈论的热点话题。
在传统的PM2.5浓度预测方面已经存在很多建设性的模型，主要分为以下四种：(1)针对时间序列进行研究的时间序列模型；(2)基于深度学习而形成的深度学习模型；(3)浅层神经网络；(4)传统的线性模型。这些模型中，时间序列模型和传统线性模型只能反映出一般的线性模型，而对那些复杂的非线性以及离散的数据不能有效的反映。而浅层神经网络虽然对非线性或离散的数据有一定的反映能力，但是对于一些复杂的函数表发能力有限。所以浅层神经网络的泛化能力比较差。在深度学习方面主要利用了时序中的时间依赖关系，所以很能利用这方面的长期记忆机智捕捉到时间依赖性特征。但是这类模型递归比较复杂，这就导致了模型的效率比较低下。基于机器学习的模型主要是基于气象和空气质量数据这两个方面的先验知识从而模拟并且有效的预测PM2.5浓度的预测。但是这两个方面的数据特征太多，在数据处理以及机器模型计算的时候会影响预测精度以及消耗很多的人力物力，所以如何选取有效的预测特征成为了至关重要的一环。
有鉴于此，本发明提出了一种基于随机森林的EMD-LSTM对PM2.5浓度预测的方法。
发明内容
本发明的目的在于提出一种基于随机森林的EMD-LSTM对PM2.5浓度预测的方法，首先选取气象因子以及空气质量因子这两大类特征，再通过设定相应的阈值挑选出合适的特征数据。并且选择的特征分别用经验模态方法将其分解为几个本征模函数及一个残差，再将其放入长短期记忆人工神经网络中对其进行预测，再将其预测的结果进行相加，最终得出PM2.5浓度的预测结果。
为了实现上述目的，本发明所采用的技术方案为：
一种基于随机森林的EMD-LSTM对PM2.5浓度预测的方法，步骤如下：
(1)收集整理PM2.5数据时间序列；
(2)对缺失数据、错误数据分别进行线性插值法和取平均取值法补足；
(3)对已处理好的PM2.5数据进行随机森林特征重要性的选择；
(4)对已选出来的特征进行EMD经验模态分解；
(5)将分解出来的特征数据放入长短时期记忆神经网络去预测；
(6)将各分解出来的特征预测出来的结果进行相加得到最终的预测结果。
作为本发明的优选技术方案，该预测方法中：
步骤(1)中采取的数据是前一周的PM2.5浓度数据，即选取前七天的数据作为训练数据来预测后一天的PM2.5浓度。
步骤(2)中对于保存的数据如果出现错误的数据值，则删除这部分数据值，取前后两天的数据取平均值代替；如果出现了缺失数据值的情况，采用一阶拉格朗日线性插值法处理；线性插值方法用于构造线性函数，利用公式(1)从样本缺失值的前后得到，则缺失值F(x)值等于该点x带入公式(1)后的值；
F(x)＝ax+b (1)。
步骤(3)中利用相关性分析和重要性分析对整个数据进行特征选取；具体步骤如下：
(a)以步骤(1)收集的天气质量和天气状况的数据集作为输入，每个特征的基尼指数计算为Gm，应满足如下公式(2)：
Figure BDA0003716060940000021
其中，Gm代表基尼指数，K代表K个类别，qmK代表一个节点m个中等类别K个总数的百分比，qmK'代表另一个节点m个中等类别K个总数的百分比；
(b)节点k处的特征Xj的重要性如下公式(3)所示：
Figure BDA0003716060940000031
其中，
Figure BDA0003716060940000032
代表变量重要性度量，Gl和Gr分别代表当前基尼指数后的两个新节点的基尼指数；
(c)最后，归一化应该满足如下公式(4)：
Figure BDA0003716060940000033
最终，步骤(3)中通过随机森林特征重要性的选择得到气温TEMP、风速WSPD、AQI、PM2.5、PM10、NO2、O3、CO共八个特征作为模型的输入数据。
步骤(4)中对所筛选出来特征的时间序列进行EMD经验模态分解；首先输入时间序列，对其进行经验模态分解，分解为8个本征模函数和一个残差；其满足如下公式(5)：
Figure BDA0003716060940000034
其中，In代表输入的第n个数据原始序列，IMFn表示第n个数据所分解出来的本征模函数，Rn表示第n个数据分解后出现的残差。
步骤(6)中将所有EMD本征模函数和残差经过LSTM模型训练输出整合后就得到最终的预测结果，将所有的本征模函数值和残差值相加后就得到预测值。
与现有技术相比，本发明的有益效果表现在：
本发明公开了一种基于随机森林的EMD-LSTM对PM2.5浓度预测的方法，通过对以往数据进行特征选择，再通过设定相应的阈值挑选出合适的特征数据。然后再将挑选中出来的数据进行经验模态分解得出相应的几个特征和残差。最后将分解出来的几个特征和残差放入长短期神经记忆网络中去训练，得出相应的预测结果，之后将得出的几个预测结果进行相加便得出最终的预测结果。本发明的PM2.5浓度预测的方法，其预测结果精准，并且减少了不必要的运算量。
附图说明
图1为基于随机森林的EMD-LSTM对PM2.5浓度的流程图。
图2为选取数据重要性可视化的特征重要性条形图。
图3-10依次为对AQI、CO、NO2、O3、PM2.5、PM10、风速WSPD、气温TEMP数据进行EMD分解后的图形。
具体实施方式
本发明提出了一种基于随机森林的EMD-LSTM对PM2.5浓度预测方法。该模型主要利用了随机森林中重要性分析以及对于特征的分解将其进行特征分解后进行相应的预测。首先通过设定相应的阈值来选取重要性程度相对较高的几个影响因子。之后将这几个影响因子进行经验模态分解，再对其分解后的特征进行预测，再将预测后的结果进行相加得到最后的结果。以下结合实施例，对本发明基于随机森林的EMD-LSTM对PM2.5浓度预测方法进行详细阐述。
实施例1
一种基于随机森林的EMD-LSTM对PM2.5浓度预测的方法，步骤如下：
(1)数据准备：
从北京空气监测站以及气象数据中心监测的数据中截取了2016年整年的空气污染物以及气候因素小时级数据，主要包括气温TEMP、体感温度、气压、相对湿度、降雨量、风速WSPD、AQI、PM2.5、PM10、NO2、SO2、O3、CO十三项特征数据，数据保存为csv格式。这十三项特征数据共同构成天气质量和天气状况数据集。
(2)数据预处理：
对于保存的数据如果出现错误的数据值(例如温度出现9999这等情况)，则删除这部分数据值，取前后两天的数据取平均值代替。
如果出现了缺失数据值的情况，采用一阶拉格朗日线性插值法处理；线性插值方法用于构造线性函数，利用公式(1)从样本缺失值的前后得到，则缺失值F(x)值等于该点x带入公式(1)后的值。
F(x)＝ax+b (1)
(3)数据特征提取：
对于特征值的选择，本发明采用的是选取随机森林中的重要性特征方法来挑选数据中比较重要的特征。首先引入sklearn.ensembles包，之后采用其中Random ForestClassifier这个方法来得出各数据之间重要性程度。
具体地，本发明利用相关性分析和重要性分析对整个数据进行特征选取，步骤如下：
(a)以这13种数据集作为输入，每个特征的基尼指数计算为Gm，应满足如下公式(2)：
Figure BDA0003716060940000051
其中，Gm代表基尼指数，K代表K个类别，qmK代表一个节点m个中等类别K个总数的百分比，qmK'代表另一个节点m个中等类别K个总数的百分比。
(b)节点k处的特征Xj的重要性如下公式(3)所示：
Figure BDA0003716060940000052
其中，
Figure BDA0003716060940000053
代表变量重要性度量，Gl和Gr分别代表当前基尼指数后的两个新节点的基尼指数。
(c)最后，归一化应该满足如下公式(4)：
Figure BDA0003716060940000054
对于在随机森林中的n_estimators参数值如果设置的越大，那么随机森林模型划分的效果往往就越好。但是相应的，任何模型都有决策边界，当n_estimators参数值达到一定的程度之后，随机森林的精确性往往不再上升或开始上下波动，并且，如果n_estimators越大，那么需要的计算量和内存也越大，相应训练的时间也会越来越长。所以通过对数据总量的比较，在这里把n_estimators的参数值设置为15000，这个参数值下的训练时间不会太长，并且训练效果也能达到预期想要的结果。
(4)阈值的设置：
上述步骤(3)中求出各特征的重要性程度，如图2所示，为了选择相应的数据作为主要特征，因此将重要性做出排序。为了模型运算速度以及特征重要性的选择，将阈值选择为0.072264，根据阈值的选择，最终选择如表1所示的八个特征(气温TEMP、风速WSPD、AQI、PM2.5、PM10、NO2、O3、CO)作为模型的输入数据。
表1选取的各重要性特征名以及特征重要性数值。
序号 特征 重要性
1 AQI 0.112228
2 PM2.5 0.106630
3 CO 0.106303
4 PM10 0.094129
5 NO<sub>2</sub> 0.075111
6 O<sub>3</sub> 0.074004
7 WSPD 0.073899
8 TEMP 0.072264
(5)EMD经验模态分解：
对步骤(4)所筛选出来特征的时间序列进行EMD经验模态分解。首先输入时间序列，对其进行经验模态分解，分解为8个本征模函数和一个残差。其满足如下公式(5)：
Figure BDA0003716060940000061
其中，In代表输入的第n个数据原始序列，IMFn表示第n个数据所分解出来的本征模函数，Rn表示第n个数据分解后出现的残差。
其中各个序列的具体分解结果如图3-10所示。
(6)设置长短时期神经网络(LSTM)模型：
将上述步骤(5)中所分解出来的本征模函数以及残差放入到长短时期神经网络中。LSTM网络神经模块主要包括两个模块，第一个模块就是门控单元，其中门控单元主要包括三类：遗忘门，输入门和输出门。第二个模块就是sigmoid层输出单元和tanh候选向量单元，sigmoid层主要控制数据的输出，主要范围是0到1，越接近1则说明输出的量越多，越接近0则输出的量越少。tanh用在了状态和输出上，是对数据的处理，这个也可以用其他激活函数。
LSTM神经网络的构建基于“TensorFlow”的“Keras”架构，神经元个数都是100个。通过不断调整和优化参数，得到最好的结果。LSTM神经网络的优化函数是“adam”，适应性强，可以加速收敛。激活函数“relu”可用于更有效地执行梯度下降和反向校正策略。选择“mse”(均方误差)作为损失函数有利于梯度的更新。LSTM模型的epochs数经过多次实验设置为200，epochs数量过多会出现过拟合的现象。具体参数设置如下表2所示：
表2LSTM模型其中参数的配置。
参数名 参数值
激活函数 relu
损失函数 mse
优化器 Adam
Epochs 200
units 100
学习率 0.01
(7)时间步长设置：
一般选取前一周也就是七天每小时的数据来预测接下来一天24小时的PM2.5浓度值，所以将时间步长设置为168。
(8)数据集的划分：根据一般训练集以及测试集的划分，一般训练集占总数据集的七成，测试集占总数据集的三成。
(9)结果处理：
将所有EMD本征模函数和残差经过LSTM模型训练输出整合后就得到最终的预测结果，将所有的本征模函数值和残差值相加后就得到预测值。
实施例2
预测方法有效性对比
1、设计评价指标
采用均方根误差(RMSE)、平方绝对误差(MAE)以及决定系数(R2)作为模型的精度评价指标其计算公式如下所示：
Figure BDA0003716060940000071
Figure BDA0003716060940000072
Figure BDA0003716060940000073
其中yi表示实际观测到的值，
Figure BDA0003716060940000081
表示预测到的值，
Figure BDA0003716060940000082
表示实际观测值的平均值。
2、精度评价
分别对LSTM单变量、LSTM多变量以及本发明提出的RF-EMD-LSTM进行评价，并作出对比，结果见表3所示。
表3评价结果
模型整体精度 MAE RMSE R<sup>2</sup>
LSTM单变量 38.94 45.04 0.23
LSTM多变量 22.82 27.68 0.80
RF-EMD-LSTM 14.59 17.60 0.91
由表3数据可以看出，本发明相比以往的单模型预测的精度更加精确，从而证实了此方法的优越性以及可行性。
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (7)

1.一种基于随机森林的EMD-LSTM对PM2.5浓度预测的方法，其特征在于，步骤如下：
(1)收集整理PM2.5数据时间序列；
(2)对缺失数据、错误数据分别进行线性插值法和取平均取值法补足；
(3)对已处理好的PM2.5数据进行随机森林特征重要性的选择；
(4)对已选出来的特征进行EMD经验模态分解；
(5)将分解出来的特征数据放入长短时期记忆神经网络去预测；
(6)将各分解出来的特征预测出来的结果进行相加得到最终的预测结果。
2.如权利要求1所述的方法，其特征在于，步骤(1)中采取的数据是前一周的PM2.5浓度数据，即选取前七天的数据作为训练数据来预测后一天的PM2.5浓度。
3.如权利要求1所述的方法，其特征在于，步骤(2)中对于保存的数据如果出现错误的数据值，则删除这部分数据值，取前后两天的数据取平均值代替；如果出现了缺失数据值的情况，采用一阶拉格朗日线性插值法处理；线性插值方法用于构造线性函数，利用公式(1)从样本缺失值的前后得到，则缺失值F(x)值等于该点x带入公式(1)后的值；
F(x)＝ax+b (1)。
4.如权利要求1所述的方法，其特征在于，步骤(3)中利用相关性分析和重要性分析对整个数据进行特征选取；具体步骤如下：
(a)以步骤(1)收集的天气质量和天气状况的数据集作为输入，每个特征的基尼指数计算为Gm，应满足如下公式(2)：
Figure FDA0003716060930000011
其中，Gm代表基尼指数，K代表K个类别，qmK代表一个节点m个中等类别K个总数的百分比，qmK'代表另一个节点m个中等类别K个总数的百分比；
(b)节点k处的特征Xj的重要性如下公式(3)所示：
Figure FDA0003716060930000012
其中，
Figure FDA0003716060930000013
代表变量重要性度量，Gl和Gr分别代表当前基尼指数后的两个新节点的基尼指数；
(c)最后，归一化应该满足如下公式(4)：
Figure FDA0003716060930000021
5.如权利要求4所述的方法，其特征在于，步骤(3)中通过随机森林特征重要性的选择得到气温TEMP、风速WSPD、AQI、PM2.5、PM10、NO2、O3、CO共八个特征作为模型的输入数据。
6.如权利要求1所述的方法，其特征在于，步骤(4)中对所筛选出来特征的时间序列进行EMD经验模态分解；首先输入时间序列，对其进行经验模态分解，分解为8个本征模函数和一个残差；其满足如下公式(5)：
Figure FDA0003716060930000022
其中，In代表输入的第n个数据原始序列，IMFn表示第n个数据所分解出来的本征模函数，Rn表示第n个数据分解后出现的残差。
7.如权利要求1所述的方法，其特征在于，步骤(6)中将所有EMD本征模函数和残差经过LSTM模型训练输出整合后就得到最终的预测结果，将所有的本征模函数值和残差值相加后就得到预测值。
CN202210745475.8A 2022-06-27 2022-06-27 一种基于随机森林的emd-lstm对pm2.5浓度预测的方法 Pending CN115099499A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210745475.8A CN115099499A (zh) 2022-06-27 2022-06-27 一种基于随机森林的emd-lstm对pm2.5浓度预测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210745475.8A CN115099499A (zh) 2022-06-27 2022-06-27 一种基于随机森林的emd-lstm对pm2.5浓度预测的方法

Publications (1)

Publication Number Publication Date
CN115099499A true CN115099499A (zh) 2022-09-23

Family

ID=83294799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210745475.8A Pending CN115099499A (zh) 2022-06-27 2022-06-27 一种基于随机森林的emd-lstm对pm2.5浓度预测的方法

Country Status (1)

Country Link
CN (1) CN115099499A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116050270A (zh) * 2023-02-07 2023-05-02 合肥学院 一种pm2.5浓度预测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116050270A (zh) * 2023-02-07 2023-05-02 合肥学院 一种pm2.5浓度预测方法及系统

Similar Documents

Publication Publication Date Title
CN109492830B (zh) 一种基于时空深度学习的移动污染源排放浓度预测方法
CN110782093B (zh) 融合ssae深度特征学习和lstm的pm2.5小时浓度预测方法及系统
CN108009674A (zh) 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN111178611B (zh) 一种日电量预测的方法
CN114004139B (zh) 一种光伏发电功率预测方法
CN109886496B (zh) 一种基于气象信息的农产量预测方法
CN108399470B (zh) 一种基于多示例遗传神经网络的室内pm2.5预测方法
CN113361761A (zh) 一种基于误差修正的短期风电功率集成预测方法及系统
CN115860286B (zh) 一种基于时序门机制的空气质量预测方法及系统
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN109344990A (zh) 一种基于dfs和svm特征选择的短期负荷预测方法及系统
CN115564114A (zh) 一种基于图神经网络的空域碳排放短期预测方法及系统
CN114897204A (zh) 一种海上风电场短期风速预测方法和装置
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
CN110807508B (zh) 计及复杂气象影响的母线峰值负荷预测方法
CN113988436A (zh) 基于lstm神经网络和层级关系修正的用电量预测方法
CN113642255A (zh) 基于多尺度卷积循环神经网络的光伏发电功率预测方法
CN116826737A (zh) 一种光伏功率的预测方法、装置、存储介质及设备
CN116384565A (zh) 一种基于缺失数据填补的层次式大气臭氧浓度预测方法
CN115907131A (zh) 一种北方地区电采暖负荷预测模型搭建方法和系统
CN115099499A (zh) 一种基于随机森林的emd-lstm对pm2.5浓度预测的方法
CN114897264A (zh) 一种基于迁移学习的小样本场景下光伏出力区间预测方法
CN114386686A (zh) 一种基于改进lstm的流域水质短期预测方法
CN116227738B (zh) 一种电网客服话务量区间预测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination