CN115526117A - 基于lso-rf模型的阶跃型滑坡位移速率预测方法 - Google Patents
基于lso-rf模型的阶跃型滑坡位移速率预测方法 Download PDFInfo
- Publication number
- CN115526117A CN115526117A CN202211350430.7A CN202211350430A CN115526117A CN 115526117 A CN115526117 A CN 115526117A CN 202211350430 A CN202211350430 A CN 202211350430A CN 115526117 A CN115526117 A CN 115526117A
- Authority
- CN
- China
- Prior art keywords
- model
- landslide
- lso
- displacement rate
- data
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明涉及一种基于LSO‑RF模型的阶跃型滑坡位移速率预测方法,包括以下步骤:步骤S1:采集滑坡相关数据并处理,获得以日为单位的滑坡位移速率及相关因素;步骤S2:基于斯皮尔曼等级相关系数法以及灰色关联度分析法的结果对滑坡位移速率与各因素的关联程度综合考虑,双重选择预测模型的输入特征;步骤S3:将步骤S2获取的输入特征及滑坡位移速率历史数据构建数据集;步骤S4:构建LSO‑RF模型,基于训练集数据训练,得到训练后的LSO‑RF模型,并基于训练后的LSO‑RF模型,对滑坡位移速率进行预测。本发明能够实现对阶跃型滑坡位移速率的准确预测。
Description
技术领域
本发明属于滑坡监测预报领域,具体涉及一种基于LSO-RF模型的阶跃型滑坡位移速率预测方法。
背景技术
当前针对滑坡变形趋势预测的研究多集中于对滑坡的累计位移进行预测,而对滑坡滑动速率进行预测的研究则相对较少。相比较滑坡累计位移,滑动速率指标更为直观,且可通过对位移速率划分等级等方式,更好地运用于滑坡的预警中。
阶跃型滑坡是指一种在其累计位移上呈现出“阶跃段”与“平稳段”交替变化的滑坡,其广泛存在于三峡库区和东南沿海丘陵山地。该类型滑坡的滑动速率常呈现如下特点:(1)当滑坡处于“平稳段”时,其位移速率很小,滑坡仅发生相对微小的移动;(2)当滑坡处于“阶跃段”时,其位移速率会突然从上述较小值突升到一个较大值,随后以一定范围的速率变动;(3)受降雨等因素的影响,总体而言,阶跃型滑坡中“平稳段数据”较“阶跃段数据”要更多。上述特点造成了大多数人工智能模型在对阶跃型滑坡位移速率进行训练时存在过拟合,进而导致对该类型滑坡位移速率预测效果不佳、在峰值出现滞后性现象。因此,需要一种能适用于阶跃型滑坡位移速率特点的人工智能模型,实现对阶跃型滑坡位移速率的准确预测。
发明内容
有鉴于此,本发明的目的在于提供一种基于LSO-RF模型的阶跃型滑坡位移速率预测方法,实现对阶跃型滑坡位移速率的准确预测。
为实现上述目的,本发明采用如下技术方案:
一种基于LSO-RF模型的阶跃型滑坡位移速率预测方法,包括以下步骤:
步骤S1:采集滑坡相关数据并处理,获得以日为单位的滑坡位移速率及降雨量、孔隙水压力等因素数据;
步骤S2:基于斯皮尔曼等级相关系数法以及灰色关联度分析法的结果对滑坡位移速率与各因素的关联程度综合考虑,双重选择预测模型的输入特征;
步骤S3:将步骤S2获取的输入特征及滑坡位移速率历史数据构建数据集;
步骤S4:构建LSO-RF模型,基于训练集数据训练,得到训练后的LSO-RF模型,并基于训练后的LSO-RF模型,对滑坡位移速率进行预测。
进一步的,所述步骤S1具体为:以小时为单位,通过野外监测站获取滑坡的累计位移、孔隙水压力、降雨量;将累计位移、孔隙水压力、降雨量数据进行处理,以天为单位,转换为滑坡的位移速率,日平均孔隙水压力、日降雨量;以天为单位,通过气象站资料,获取滑坡区域的云量、湿度、土壤有效持水量、地表径流。
进一步的,所述步骤S2具体为:
S21:将滑坡位移速率视为因变量Y,滑坡日平均孔隙水压力、日降雨量、云量、湿度、土壤有效持水量、地表径流视为自变量X,分别探究X与Y之间的斯皮尔曼等级相关系数;
S22:将滑坡位移速率时间序列视为参考时间序列,将滑坡日平均孔隙水压力、日降雨量、云量、湿度、土壤有效持水量、地表径流时间序列视为比较时间序列,将参考时间序列与比较时间序列均值化后,计算参考时间序列同各个比较时间序列间的灰色关联度;
S23:综合对比斯皮尔曼等级相关系数和灰色关联度的分析结果,选取在两种分析中均满足预设要求的因素,作为模型的输入特征。
进一步的,所述斯皮尔曼等级相关系数的计算步骤如下:
(1)首先对两变量(X、Y)的数据各自进行排序,然后记录下排序以后的位置;此时某个数据i的位置,即为Xi或Yi的秩次;
(2)而后对斯皮尔曼相关系数rs按如下公式计算:
其中di为Xi与Yi之间的秩次差;n为序列中的样本数。
进一步的,所述灰色关联度的计算步骤如下:
(1)确定滑坡位移速率时间序列为参考序列,滑坡的日平均孔隙水压力、日降雨量、云量、湿度、土壤有效持水量、地表径流时间序列为比较序列;
(2)对参考序列{x0}和比较序列{xi},i=1,2,…,5通过均值化进行无量纲处理,均值化公式如下:
(3)计算参考序列和比较序列之间的灰色关联系数值,计算公式如下:
其中,ξi(k)为比较序列{xi}与参考序列{x0}在第k个数据时的灰色关联系数;ρ为分辨系数;
(4)按下式求解参考序列同各比较序列之间的灰色关联度值:
进一步的,所述LSO-RF模型构建,具体如下:
S41:种群初始化,包括初始化狮群中狮子的数目,狮子的位置;
S42:输入RF随机森林模型并选定待优化参数;
S43:根据公式计算狮群中狮王、母狮、幼狮个数,并且将初始群体最优位置设置为狮王位置,各狮当前位置设为个体历史最优位置;
S44:将LSO狮群优化算法的适应度函数设置为RF随机森林模型预测结果的MAE、RMSE、R2的平均值;
S45:更新狮王位置,计算适应度值;
S46:更新母狮位置和幼狮位置;
S47:重新计算适应度值,更新全局最优位置和历史最优位置;
S48:判断迭代次数是否为最大迭代次数,若不是,则重复步骤S45~S47;若是最大迭代次数,则结束循环,输出待优化参数的值;
S49:根据得到的参数,建立LSO优化的RF随机森林模型。
进一步的,所述步骤S4还采用监督学习数据的转换将包含不同特征的时间序列转换成指定输入步长和输出步长的时间序列。
进一步的,所述步骤S4中训练模型时,采用扩展窗口法,
(1)先按预设比例划分训练集和测试集,模型对训练集进行训练学习、而后对测试集中从起始位置开始的部分数据进行预测;
(2)对上述部分数据预测完成后,将这些数据的真实值纳入原有的训练集中,构成一个新的训练集,进而对下一部分的数据进行预测。
本发明与现有技术相比具有以下有益效果:
本发明解决了大多数人工智能模型在对阶跃型滑坡位移速率预测时因过拟合等原因造成的不准确性以及滞后性,能利用较少的数据集实现更为精准的预测。
附图说明
图1是本发明方法流程图;
图2为本发明基于斯皮尔曼等级相关系数法和灰色关联度分析法进行双重输入特征选择的预测结果同仅使用斯皮尔曼等级相关系数法或灰色关联度分析法进行输入特征选择的预测结果对比图;
图3为本发明LSO-RF模型建立结构示意图;
图4为本发明中RF随机森林模型同其它模型预测结果对比图;
图5为本发明LSO-RF模型同WOA-RF模型预测结果对比图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种基于LSO-RF模型的阶跃型滑坡位移速率预测方法,主要包括以下步骤:
S1:通过野外现场监测站和气象站,采集滑坡相关数据并处理,获得包括以日为单位的滑坡位移速率、日平均孔隙水压力、日降雨量、云量、湿度、土壤有效持水量、地表径流时间序列数据;
S2:在获取的数据中,基于斯皮尔曼等级相关系数法以及灰色关联度分析法的结果对滑坡位移速率与各因素的关联程度综合考虑,实现双重选择预测模型的输入特征;
在本实施例中,步骤S2包括以下步骤:
S21:将滑坡位移速率视为因变量Y,滑坡日平均孔隙水压力、日降雨量、云量、湿度、土壤有效持水量、地表径流视为自变量X,分别探究X与Y之间的斯皮尔曼等级相关系数;
S22:将滑坡位移速率时间序列视为参考时间序列,将滑坡日平均孔隙水压力、日降雨量、云量、湿度、土壤有效持水量、地表径流时间序列视为比较时间序列。将参考时间序列与比较时间序列均值化后,计算参考时间序列同各个比较时间序列间的灰色关联度;
S23:综合对比斯皮尔曼等级相关系数和灰色关联度的分析结果,选取在两种分析中排名均靠前的因素,作为模型的输入特征,以此实现双重选择预测模型的输入特征。以选取两个特征为例,依据该方法,选取了:日降雨量、孔隙水压力。
参照图2,图2展示了在RF模型中单独使用斯皮尔曼等级相关系数法挑选输入特征的预测结果(输入特征为:土壤有效持水量、日均孔隙水压力)、单独使用灰色关联度分析法挑选输入特征的预测结果(输入特征为:日降雨量、地表径流)以及基于斯皮尔曼等级相关系数法以及灰色关联度分析法(本发明方法)双重选择模型输入特征的预测结果(输入特征为:日降雨量、日均孔隙水压力)。以RMSE和R2作为预测效果的评价指标,结果表明:本发明中基于斯皮尔曼等级相关系数法以及灰色关联度分析法双重选择模型输入特征的方法,能提高模型的预测精度。
S3:将上述方法选出的特征以及滑坡位移速率历史数据作为预测模型的输入特征,将滑坡位移速率作为输出特征(标签);
在本实施例中,滑坡位移速率历史数据取前一天的滑坡位移速率,因此在本案例中,预测模型的输入特征为日降雨量、日均孔隙水压力、前一天的滑坡位移速率;输出特征为:滑坡位移速率。
S4:在windows上搭建scikit-learn机器学习框架,构建结合监督学习以及扩展窗口法的LSO-RF模型。初次,将数据集的前70%作为训练集来训练模型,数据集的后30%作为测试集,输入至训练好的LSO-RF模型,实现对滑坡位移速率的预测,并验证预测效果。
具体的,S4中,监督学习数据的转换是指将包含不同特征的时间序列转换成指定输入步长和输出步长的时间序列。本案例中,输入步长为1,输出步长为1,结合前述输入特征的选择,即将原时间序列转化为第t-1步的日降雨量、日均孔隙水压力、滑坡位移速率和第t步的日降雨量、日均孔隙水压力、滑坡位移速率的组合。
在本实施例中,扩展窗口法具体如下:
先按7:3比例划分训练集和测试集,即以2021.2.25-2021.6.9期间的数据作为训练集,2021.6.10-2021.7.25期间的数据作为测试集。随后模型对训练集进行训练学习、而后对2021.6.10的数据进行预测;
将2021.6.10的数据真实值纳入原有的训练集中(此时训练集为2021.2.25-2021.6.10期间的数据),进而预测2021.6.11的数据,依此类推。
参照图3,图3为本发明LSO-RF模型建立结构示意图;通过LSO狮群优化算法对RF模型中n_estimators、min_samples_split、min_samples_leaf、max_features四个参数(本案例中选定的待优化参数)进行寻优,在狮群优化算法中不断更新全局最优位置来获得RF随机森林模型最优参数组合。
具体的,LSO-RF模型建立包括以下步骤:
S41:种群初始化,包括初始化狮群中狮子的数目,狮子的位置等;
S42:输入RF随机森林模型并选定待优化参数;
S43:根据公式计算狮群中狮王、母狮、幼狮个数,并且将初始群体最优位置设置为狮王位置,各狮当前位置设为个体历史最优位置。狮王个数为1,母狮、幼狮个数计算公式如下:
n1=N*β-1
n2=N*(1-β)
其中,n1为母狮数量;n2为幼狮数量;β为成年狮所占比例,取0.2;
S44:将LSO狮群优化算法的适应度函数设置为RF随机森林模型预测结果的MAE、RMSE、R2的平均值;
S45:根据公式更新狮王位置,计算适应度值;所述更新狮王位置公式如下:
xi k+1=gk(1+γ||ρi k-gk||)
其中,γ为服从正太分布N(0,1)的随机数;gk为第k代狮群最优位置;pi k为第i头狮子在第k代的历史最优位置;
S46:根据公式更新母狮位置、根据公式更新幼狮位置。所述更新母狮位置公式如下:
其中,pc k为从第k代母狮中随机挑选的一个合作伙伴的历史最佳位置;αf为母狮移动范围扰动因子,旨在加强局部搜索能力;
所述更新幼狮位置公式如下:
S47:重新计算适应度值,更新全局最优位置(指定为狮王位置)和历史最优位置;
S48:判断迭代次数是否为最大迭代次数,若不是,则重复步骤S45~S47;若是最大迭代次数,则结束循环,输出n_estimators、min_samples_split、min_samples_leaf、max_features的值;
S49:根据得到的参数,建立LSO优化的RF随机森林模型。
参照图4,图4为本发明中RF随机森林模型同SVM、PLS、KNN模型预测结果对比图。说明了本发明中使用的结合监督学习和滑动窗口法的RF随机森林模型在预测阶跃型滑坡位移速率上具有优越性,能解决常用模型在阶跃型滑坡位移速率中因过拟合等原因存在的预测精度低、位移速率峰值滞后性等现象,有效说明了本发明的先进性。
参照图5,为本发明中LSO-RF模型同WOA-RF模型预测结果对比图。说明了本发明中使用的结合监督学习和滑动窗口法的LSO-RF模型相较于WOA-RF模型能实现更高的预测精度,即使用LSO狮群优化算法优化RF模型参数的效果较WOA鲸鱼优化算法的效果更好,有效说明了本发明的先进性。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (8)
1.一种基于LSO-RF模型的阶跃型滑坡位移速率预测方法,其特征在于,包括以下步骤:
步骤S1:采集滑坡相关数据并处理,获得以日为单位的滑坡位移速率及降雨量、孔隙水压力因素数据;
步骤S2:基于斯皮尔曼等级相关系数法以及灰色关联度分析法的结果对滑坡位移速率与各因素的关联程度综合考虑,双重选择预测模型的输入特征;
步骤S3:将步骤S2获取的输入特征及滑坡位移速率历史数据构建数据集;
步骤S4:构建LSO-RF模型,基于训练集训练,得到训练后的LSO-RF模型,并基于训练后的LSO-RF模型,对滑坡位移速率进行预测。
2.根据权利要求1所述的基于LSO-RF模型的阶跃型滑坡位移速率预测方法,其特征在于,所述步骤S1具体为:以小时为单位,通过野外监测站获取滑坡的累计位移、孔隙水压力、小时降雨量;将累计位移、孔隙水压力、小时降雨量数据进行处理,以天为单位,转换为滑坡的位移速率,日平均孔隙水压力、日降雨量;以天为单位,通过气象站资料,获取滑坡区域的云量、湿度、土壤有效持水量、地表径流。
3.根据权利要求2所述的基于LSO-RF模型的阶跃型滑坡位移速率预测方法,其特征在于,所述步骤S2具体为:
S21:将滑坡位移速率视为因变量Y,滑坡日平均孔隙水压力、日降雨量、云量、湿度、土壤有效持水量、地表径流视为自变量X,分别探究X与Y之间的斯皮尔曼等级相关系数;
S22:将滑坡位移速率时间序列视为参考时间序列,将滑坡日平均孔隙水压力、日降雨量、云量、湿度、土壤有效持水量、地表径流时间序列视为比较时间序列,将参考时间序列与比较时间序列均值化后,计算参考时间序列同各个比较时间序列间的灰色关联度;
S23:综合对比斯皮尔曼等级相关系数和灰色关联度的分析结果,选取在两种分析中均满足预设要求的因素,作为模型的输入特征。
5.根据权利要求3所述的基于LSO-RF模型的阶跃型滑坡位移速率预测方法,其特征在于,所述灰色关联度的计算步骤如下:
(1)确定滑坡位移速率时间序列为参考序列,滑坡的日平均孔隙水压力、日降雨量、云量、湿度、土壤有效持水量、地表径流时间序列为比较序列;
(2)对参考序列{x0}和比较序列{xi},i=1,2,…,5通过均值化进行无量纲处理,均值化公式如下:
(3)计算参考序列和比较序列之间的灰色关联系数值,计算公式如下:
其中,ξi(k)为比较序列{xi}与参考序列{x0}在第k个数据时的灰色关联系数;ρ为分辨系数;
(4)按下式求解参考序列同各比较序列之间的灰色关联度值:
6.根据权利要求1所述的基于LSO-RF模型的阶跃型滑坡位移速率预测方法,其特征在于,所述LSO-RF模型构建,具体如下:
S41:种群初始化,包括初始化狮群中狮子的数目,狮子的位置;
S42:输入RF随机森林模型并选定待优化参数;
S43:根据公式计算狮群中狮王、母狮、幼狮个数,并且将初始群体最优位置设置为狮王位置,各狮当前位置设为个体历史最优位置;
S44:将LSO狮群优化算法的适应度函数设置为RF随机森林模型预测结果的MAE、RMSE、R2的平均值;
S45:更新狮王位置,计算适应度值;
S46:更新母狮位置和幼狮位置;
S47:重新计算适应度值,更新全局最优位置和历史最优位置;
S48:判断迭代次数是否为最大迭代次数,若不是,则重复步骤S45~S47;若是最大迭代次数,则结束循环,输出待优化参数的值;
S49:根据得到的参数,建立LSO优化的RF随机森林模型。
7.根据权利要求1所述的基于LSO-RF模型的阶跃型滑坡位移速率预测方法,其特征在于,所述步骤S4还采用监督学习数据的转换将包含不同特征的时间序列转换成指定输入步长和输出步长的时间序列。
8.根据权利要求1所述的基于LSO-RF模型的阶跃型滑坡位移速率预测方法,其特征在于,所述步骤S4中训练模型时,采用扩展窗口法,
(1)先按预设比例划分训练集和测试集,模型对训练集进行训练学习、而后对测试集中从起始位置开始的部分数据进行预测;
(2)对上述部分数据预测完成后,将这些数据的真实值纳入原有的训练集中,构成一个新的训练集,进而对下一部分的数据进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211350430.7A CN115526117A (zh) | 2022-10-31 | 2022-10-31 | 基于lso-rf模型的阶跃型滑坡位移速率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211350430.7A CN115526117A (zh) | 2022-10-31 | 2022-10-31 | 基于lso-rf模型的阶跃型滑坡位移速率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115526117A true CN115526117A (zh) | 2022-12-27 |
Family
ID=84703435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211350430.7A Pending CN115526117A (zh) | 2022-10-31 | 2022-10-31 | 基于lso-rf模型的阶跃型滑坡位移速率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115526117A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128136A (zh) * | 2023-02-01 | 2023-05-16 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于LSO-CatBoost的燃煤电厂锅炉NOX排放预测方法 |
-
2022
- 2022-10-31 CN CN202211350430.7A patent/CN115526117A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128136A (zh) * | 2023-02-01 | 2023-05-16 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于LSO-CatBoost的燃煤电厂锅炉NOX排放预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108280551B (zh) | 一种利用长短期记忆网络的光伏发电功率预测方法 | |
CN110084367B (zh) | 一种基于lstm深度学习模型的土壤墒情预测方法 | |
CN113705877B (zh) | 基于深度学习模型的实时月径流预报方法 | |
CN110969290A (zh) | 一种基于深度学习的径流概率预测方法及系统 | |
CN110363349B (zh) | 一种基于ascs的lstm神经网络水文预测方法及系统 | |
CN115099500B (zh) | 基于权重修正和drsn-lstm模型的水位预测方法 | |
CN114547974A (zh) | 基于输入变量选择与lstm神经网络的动态软测量建模方法 | |
CN110619427A (zh) | 基于序列到序列学习模型的交通指数预测方法和装置 | |
CN115526117A (zh) | 基于lso-rf模型的阶跃型滑坡位移速率预测方法 | |
CN115049113A (zh) | 基于时间窗口和超参数自适应选择的s2s电力负荷预测系统 | |
CN115495991A (zh) | 一种基于时间卷积网络的降水区间预测方法 | |
CN114065996A (zh) | 基于变分自编码学习的交通流预测方法 | |
CN116865251A (zh) | 一种短期负荷概率预测方法及系统 | |
CN115630742A (zh) | 一种基于自监督预训练的天气预测方法及系统 | |
CN114692963A (zh) | 一种基于长短期记忆神经网络的滑坡位移预测方法 | |
CN112668606B (zh) | 基于梯度提升机与二次规划的阶跃型滑坡位移预测方法 | |
Vogt et al. | Wind power forecasting based on deep neural networks and transfer learning | |
CN116341391B (zh) | 基于STPM-XGBoost模型的降水预测方法 | |
CN117458480A (zh) | 基于改进lof的光伏发电功率短期预测方法及系统 | |
CN116865232A (zh) | 一种基于风速误差修正的中长期风电功率预测方法及系统 | |
CN116646927A (zh) | 一种基于分段滤波与纵横聚类的风电功率预测方法 | |
CN114091782B (zh) | 中长期电力负荷预测方法 | |
CN114169603A (zh) | 一种基于XGBoost的区域小学入学学位预测方法及系统 | |
CN114742258B (zh) | 可迁移的居民家庭用电负荷场景预测方法 | |
Alberg et al. | Induction of mean output prediction trees from continuous temporal meteorological data |
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 |