期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1,837篇文章
< 1 2 … 92 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于LSTM与XGBoost组合模型的超短期电力负荷预测 被引量：218
1
作者 陈振宇 刘金波 +6 位作者 李晨 季晓慧 李大鹏 黄运豪 狄方春 高兴宇 徐立中 《电网技术》 EI CSCD 北大核心 2020年第2期614-620,共7页
为进一步提高电力负荷预测精度,提出了基于LSTM(longshorttermmemorynetwork,LSTM)和XGBoost(eXtremegradientboosting)的组合预测模型。针对电力负荷数据,首先建立了LSTM预测模型和XGBoost预测模型,然后使用误差倒数法将LSTM与XGBoost... 为进一步提高电力负荷预测精度,提出了基于LSTM(longshorttermmemorynetwork,LSTM)和XGBoost(eXtremegradientboosting)的组合预测模型。针对电力负荷数据,首先建立了LSTM预测模型和XGBoost预测模型,然后使用误差倒数法将LSTM与XGBoost组合起来进行预测。采用2016年电工数学建模竞赛的电力负荷数据进行算例分析,结果表明所构建的LSTM和XGBoost组合预测模型的MAPE(mean absolute percentage error)为0.57%,明显低于单一预测模型。将上述方法与GRU(gated recurrent unit)和XGBoost两者组合的预测模型相比较,结果表明所提出的方法具有更高的超短期电力负荷预测精度。 展开更多
关键词 电力负荷 超短期 负荷预测 LSTM网络 xgboost 组合模型
下载PDF
基于多模型融合Stacking集成学习方式的负荷预测方法 被引量：160
2
作者 史佳琪 张建华 《中国电机工程学报》 EI CSCD 北大核心 2019年第14期4032-4041,共10页
人工智能及机器学习技术的快速发展,为负荷预测问题提供了崭新的解决思路。该文结合人工智能的前沿理论研究,提出一种基于多模型融合 Stacking 集成学习方式的负荷预测方法。考虑不同算法的数据观测与训练原理差异,充分发挥各个模型优势... 人工智能及机器学习技术的快速发展,为负荷预测问题提供了崭新的解决思路。该文结合人工智能的前沿理论研究,提出一种基于多模型融合 Stacking 集成学习方式的负荷预测方法。考虑不同算法的数据观测与训练原理差异,充分发挥各个模型优势,构建多个机器学习算法嵌入的 Stacking集成学习的负荷预测模型,模型的基学习器包含 XGBoost树集成算法和长短记忆网络算法。算例使用 ENTSO 中瑞士负荷数据对算法有效性进行了验证。预测结果表明,XGBoost、梯度决策树、随机森林模型能够通过自身模型的增益情况对输入数据的特征贡献度进行量化分析;Stacking中各个基学习器的学习能力越强,关联程度越低,模型预测效果越好;与传统单模型预测相比,基于多模型融合的Stacking 集成学习方式的负荷预测方法有着较高的预测精度。 展开更多
关键词 人工智能 负荷预测 多模型融合 Stacking集成学习 xgboost 长短记忆网络
下载PDF
基于XGBoost的特征选择算法 被引量：81
3
作者 李占山 刘兆赓 《通信学报》 EI CSCD 北大核心 2019年第10期101-108,共8页
分类问题中的特征选择一直是一个重要而又困难的问题。这类问题中要求特征选择算法不仅能够帮助分类器提高分类准确率,同时还要尽可能地减少冗余特征。因此,为了在分类问题中更好地进行特征选择,提出了一种新型的包裹式特征选择算法XGB... 分类问题中的特征选择一直是一个重要而又困难的问题。这类问题中要求特征选择算法不仅能够帮助分类器提高分类准确率,同时还要尽可能地减少冗余特征。因此,为了在分类问题中更好地进行特征选择,提出了一种新型的包裹式特征选择算法XGBSFS。该算法借鉴极端梯度提升(XGBoost)算法中构建树的思想过程,通过从3个重要性度量的角度来衡量特征的重要性,避免单一重要性度量的局限性;然后通过改进的序列浮动前向搜索策略(ISFFS)搜索特征子集,使最终得到的特征子集有较高的质量。在8个UCI数据集的对比实验中表明,所提算法具有很好的性能。 展开更多
关键词 特征选择 极端梯度提升 序列浮动搜索策略
下载PDF
基于遗传算法优化XGBoost的油浸式变压器故障诊断方法 被引量：64
4
作者 张又文 冯斌 +2 位作者 陈页 廖伟涵 郭创新 《电力自动化设备》 EI CSCD 北大核心 2021年第2期200-206,共7页
为了提高油浸式变压器故障诊断的精度及可靠性,研究了一种基于遗传算法优化极端梯度提升(XGBoost)的油浸式变压器故障诊断方法。首先,以油中溶解气体分析(DGA)为依据,采用无编码比值方法提取油浸式变压器的9维故障特征,并对数据样本进... 为了提高油浸式变压器故障诊断的精度及可靠性,研究了一种基于遗传算法优化极端梯度提升(XGBoost)的油浸式变压器故障诊断方法。首先,以油中溶解气体分析(DGA)为依据,采用无编码比值方法提取油浸式变压器的9维故障特征,并对数据样本进行归一化处理;以归一化样本为输入建立基于XGBoost的故障诊断模型,并采用遗传算法对模型中的多个超参数同时进行优化。在算例部分,收集547例故障类型确定的DGA数据进行对比实验,结果表明与现有传统方法相比,所提方法的诊断精度和稳定性有显著提升;同时验证了遗传算法对故障诊断模型的优化提升效果。 展开更多
关键词 油中溶解气体分析 变压器 故障诊断 极端梯度提升 遗传算法
下载PDF
基于双层XGBoost算法考虑多特征影响的超短期电力负荷预测 被引量：57
5
作者 孙超 吕奇 +3 位作者 朱思曈 郑薇 曹云飞 王俊 《高电压技术》 EI CAS CSCD 北大核心 2021年第8期2885-2895,共11页
历史数据在电力负荷预测中必不可少,但选用的历史数据往往存在数据量虽大而数据特征维度少、无效数据多、数据间的特征关系不明确等问题,显著影响电力负荷预测的精度。为提高超短期电力负荷预测精度,提出一种基于双层XGBoost(eXtreme gr... 历史数据在电力负荷预测中必不可少,但选用的历史数据往往存在数据量虽大而数据特征维度少、无效数据多、数据间的特征关系不明确等问题,显著影响电力负荷预测的精度。为提高超短期电力负荷预测精度,提出一种基于双层XGBoost(eXtreme gradient boosting)算法的超短期电力负荷预测方法。该方法的第1层,即数据处理层,基于XGBoost算法及特征工程,构建多个弱学习器逐层训练,筛选出对电力负荷具有显著影响的特征集;第2层即负荷预测层,以第1层筛选出的特征集和负荷为输入,优化选择XGBoost算法的超参数并对模型进行训练以得到精度最高、均方根误差最小的负荷预测模型。所搭建的负荷预测模型能够避免对数据特征进行标准化处理,且可减小数据字段缺失的影响,不用考虑特征间是否相互依赖,且模型学习效果好。算例分析中,对比基于单层XGBoost、BP神经网络、ARIMA的负荷预测模型,所提方法预测值精度更高,且在不同时间段数据集下,具有良好的泛化能力。 展开更多
关键词 负荷预测 机器学习 特征工程 xgboost 数据预处理 多特征维度
下载PDF
改进的XGBoost模型在股票预测中的应用 被引量：52
6
作者 王燕 郭元凯 《计算机工程与应用》 CSCD 北大核心 2019年第20期202-207,共6页
随着时代的不断进步,人民生活水平日益提高。在解决温饱问题之余,有了可供投资的余财。越来越多的人将目光转向股市投资,为股市发展提供了资金条件。然而在纷繁复杂的股票市场,如何寻找最优股成为亟待解决的问题。这不仅是投资者单方面... 随着时代的不断进步,人民生活水平日益提高。在解决温饱问题之余,有了可供投资的余财。越来越多的人将目光转向股市投资,为股市发展提供了资金条件。然而在纷繁复杂的股票市场,如何寻找最优股成为亟待解决的问题。这不仅是投资者单方面的困惑,也是股票预测领域中学者们所关心的重点。通过网格搜索算法对XGBoost 模型进行参数优化构建GS-XGBoost 的金融预测模型,并将该模型运用于股票短期预测中。分别以中国平安、中国建筑、中国中车、科大讯飞和三一重工2005 年4 月至2018 年12 月28 日的每日收盘价作为实验数据。通过实验对比,相较于XGBoost 原模型、GBDT模型以及SVM模型,GS-XGBoost 模型在MSE、RMSE与MAE三个评价指标上都表现出较好的预测结果。从而验证,GS-XGBoost 金融预测模型在股票短期预测中具有更好的拟合性能。 展开更多
关键词 xgboost 网格搜索 梯度增强决策树(GBDT) 支持向量机(SVM) 股价预测
下载PDF
基于XGBoost与Stacking模型融合的短期母线负荷预测 被引量：48
7
作者 刘波 秦川 +3 位作者 鞠平 赵静波 陈彦翔 赵健 《电力自动化设备》 EI CSCD 北大核心 2020年第3期147-153,共7页
母线负荷预测对于电网安全稳定调度具有重要意义,但母线负荷随机波动性较强,其负荷类型因供电区域的差异而不同。为此,提出一种基于极限梯度提升(XGBoost)与Stacking模型融合的短期母线负荷预测方法。基于XGBoost建立多个母线负荷预测... 母线负荷预测对于电网安全稳定调度具有重要意义,但母线负荷随机波动性较强,其负荷类型因供电区域的差异而不同。为此,提出一种基于极限梯度提升(XGBoost)与Stacking模型融合的短期母线负荷预测方法。基于XGBoost建立多个母线负荷预测元模型,组合构成Stacking模型融合的元模型层,连接一个XGBoost模型对元模型进行融合,整体构成综合预测系统,并采用粒子群优化算法优化系统参数。通过对具有不同负荷属性的220 kV母线进行实例分析,验证了所提方法的有效性与适用性。 展开更多
关键词 母线负荷 xgboost 元模型 Stacking模型融合 粒子群优化算法
下载PDF
XGBoost算法在风机主轴承故障预测中的应用 被引量：47
8
作者 王桂兰 赵洪山 米增强 《电力自动化设备》 EI CSCD 北大核心 2019年第1期73-77,83,共6页
针对传统机器学习算法处理海量风机数据采集与监视控制(SCADA)监测数据效率低和准确度差的问题,提出利用极端梯度提升(XGBoost)算法预测风机主轴承故障。首先,对风机主轴承SCADA数据开展特征分析,挖掘和发现特征与故障之间的关联关系,... 针对传统机器学习算法处理海量风机数据采集与监视控制(SCADA)监测数据效率低和准确度差的问题,提出利用极端梯度提升(XGBoost)算法预测风机主轴承故障。首先,对风机主轴承SCADA数据开展特征分析,挖掘和发现特征与故障之间的关联关系,并评估各特征的重要性;然后利用XGBoost算法构建主轴承故障预测模型,进行模型评估;最后,依据SCADA系统收集的实测数据对模型进行训练和测试,并调整XGBoost模型的主要参数,提高预测准确率。通过与经典梯度提升决策树(GBDT)算法诊断结果相对比,结果表明XGBoost在风机主轴承故障预测的效率和准确度方面均优于GBDT算法,是处理SCADA大规模数据集的有效工具。 展开更多
关键词 xgboost 数据采集与监视控制 主轴承 故障预测 大数据
下载PDF
基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法 被引量：46
9
作者 庄家懿 杨国华 +1 位作者 郑豪丰 张鸿皓 《中国电力》 CSCD 北大核心 2021年第5期46-55,共10页
短期电力负荷的精准预测可以有效指导机组组合调度、经济调度与电力市场运营。针对输入数据特征量受限时负荷预测的低精度问题,提出一种基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法。通过建立融合局部特征预提取模块的LSTM(l... 短期电力负荷的精准预测可以有效指导机组组合调度、经济调度与电力市场运营。针对输入数据特征量受限时负荷预测的低精度问题,提出一种基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法。通过建立融合局部特征预提取模块的LSTM(long short term memory)网络结构,并将其与XGBoost(eXtreme boosting system)预测模型并行结合,之后结合MAPE-RW(mean absolute percentage error-reciprocal weight)算法进行模型融合初始权重设置,对最佳权重进行搜索,构建最佳融合模型。通过运用电力负荷数据对所提方法进行预测实验,结果表明CNN-LSTM-XGBoost模型的MAPE(mean absolute percentage error)与RMSE(root mean square error)分别为0.377%与148.419 MW,相比于单一网络模型与融合模型结构实现了误差指标的显著降低,验证了基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法具有较快的模型训练速度、较高的预测准确度与较低的预测误差。 展开更多
关键词 短期负荷预测 局部特征预提取 LSTM xgboost 多模型融合
下载PDF
机器学习方法在股指期货预测中的应用研究——基于BP神经网络、SVM和XGBoost的比较分析 被引量：42
10
作者 黄卿 谢合亮 《数学的实践与认识》 北大核心 2018年第8期297-307,共11页
机器学习在人工智能领域取得了巨大的成就,在学界和业界都掀起了机器学习的热潮.针对股指期货交易速度快、交易频率高和交易量巨大且交易数据具有高纬、时序的特征,构建了新的股指期货量化投资模型,采用沪深300股指期货1分钟高频数据作... 机器学习在人工智能领域取得了巨大的成就,在学界和业界都掀起了机器学习的热潮.针对股指期货交易速度快、交易频率高和交易量巨大且交易数据具有高纬、时序的特征,构建了新的股指期货量化投资模型,采用沪深300股指期货1分钟高频数据作为研究对象.并对比分析了神经网络、支持向量机和XGBoost对股指期货下1分钟价格的变动方向的预测能力.研究结果表明,三种机器学习方法都具有较好的预测能力,但XGBoost的预测能力要优于传统的神经网络和支持向量机. 展开更多
关键词 神经网络 支持向量机 xgboost 高频数据
原文传递
多机器学习模型下逐小时PM2.5预测及对比分析 被引量：40
11
作者 康俊锋 黄烈星 +2 位作者 张春艳 曾昭亮 姚申君 《中国环境科学》 EI CAS CSCD 北大核心 2020年第5期1895-1905,共11页
为了能及时、准确的估算出PM2.5浓度及污染等级,分别构建了K最邻近模型(KNN)、BP神经网络模型(BPNN)、支持向量机回归模型(SVR)、高斯过程回归模型(GPR)、XGBoost模型和随机森林模型(RF)6个PM2.5浓度预测模型,选取江西省赣州市为实验区... 为了能及时、准确的估算出PM2.5浓度及污染等级,分别构建了K最邻近模型(KNN)、BP神经网络模型(BPNN)、支持向量机回归模型(SVR)、高斯过程回归模型(GPR)、XGBoost模型和随机森林模型(RF)6个PM2.5浓度预测模型,选取江西省赣州市为实验区域,采用2017~2018年逐小时气象站数据、PM2.5浓度数据和Merra-2再分析数据开展PM2.5预测实验.结果表明,缺少污染物观测数据时,利用能见度和气象因子等数据也能较好的预测PM2.5浓度.在PM2.5浓度预测精度方面,XGBoost模型最高,随机森林模型次之,高斯过程回归模型最差.6个模型的预测精度总体呈现冬季最高,秋季和春季次之,夏季最低.XGBoost模型的PM2.5污染等级预测准确率高于其他模型,综合准确率达87.6%,并且XGBoost模型具有训练时间短,占用内存小等优点.XGBoost模型的变量重要性结果表明,能见度变量的重要性最高,相对湿度和时间变量次之.本研究可为环境部门准确预测、预报PM2.5浓度提供参考. 展开更多
关键词 PM2.5预测 能见度 机器学习 xgboost 气象因子
下载PDF
基于Xgboost的商业销售预测 被引量：39
12
作者 叶倩怡 饶泓 姬名书 《南昌大学学报（理科版）》 CAS 北大核心 2017年第3期275-281,共7页
以德国Rossmann商场的数据为例,通过对数据的探索性分析,以相关背景业务知识体系为基础,通过可视化分析,提取隐含在数据里的特征,使用性能较优的Xgboost方法进行规则挖掘,取得较好效果。为进一步提高Xgboost方法的预测精度和泛化性能,... 以德国Rossmann商场的数据为例,通过对数据的探索性分析,以相关背景业务知识体系为基础,通过可视化分析,提取隐含在数据里的特征,使用性能较优的Xgboost方法进行规则挖掘,取得较好效果。为进一步提高Xgboost方法的预测精度和泛化性能,论文结合特征工程,采用集成学习方法,利用GLMNET和Xgboost模型拟合残差,结合LM、TSLM在趋势和季节性预测的优点,提出一种基于Xgboost的优化组合模型用以对行业数据进行预测,通过实验验证了该组合模型具有较好的精度和泛化能力。 展开更多
关键词 xgboost 集成学习 组合模型 销售预测
下载PDF
Xgboost在滚动轴承故障诊断中的应用 被引量：39
13
作者 张钰 陈珺 +1 位作者 王晓峰 刘飞 《噪声与振动控制》 CSCD 2017年第4期166-170,179,共6页
针对不同轴承数据特征选择困难和单个分类器方法在滚动轴承故障诊断中精度较低的问题,提出一种基于分类与回归树的Xgboost(e Xtreme Gradient Boosting)轴承故障诊断算法。Xgboost是包含多个分类器的集成学习方法。通过Xgboost的"... 针对不同轴承数据特征选择困难和单个分类器方法在滚动轴承故障诊断中精度较低的问题,提出一种基于分类与回归树的Xgboost(e Xtreme Gradient Boosting)轴承故障诊断算法。Xgboost是包含多个分类器的集成学习方法。通过Xgboost的"提升"思想来提高滚动轴承故障诊断的精度。首先,从滚动轴承的振动信号中提取时域特征参数;然后利用Xgboost算法对滚动轴承故障进行诊断。将SQI-MFS实验平台的轴承振动数据,与传统分类器(支持向量机、邻近算法和人工神经网络)以及单个分类回归树的诊断结果相比,结果表明Xgboost在轴承故障诊断率上优于上述几种算法,且计算时间比传统提升决策树算法短。 展开更多
关键词 振动与波 滚动轴承 故障诊断 支持向量机 xgboost
下载PDF
基于XGBoost-LSTM组合模型的光伏发电功率预测 被引量：37
14
作者 谭海旺 杨启亮 +3 位作者 邢建春 黄克峰 赵硕 胡浩宇 《太阳能学报》 EI CAS CSCD 北大核心 2022年第8期75-81,共7页
该文提出一种基于极端梯度提升(XGBoost)模型和长短期记忆网络(LSTM)模型的短期光伏发电功率预测组合模型。根据短期光伏发电特性,首先分别建立XGBoost模型和LSTM模型,然后利用XGBoost模型进行初步预测增加特征,并利用误差倒数法将两模... 该文提出一种基于极端梯度提升(XGBoost)模型和长短期记忆网络(LSTM)模型的短期光伏发电功率预测组合模型。根据短期光伏发电特性,首先分别建立XGBoost模型和LSTM模型,然后利用XGBoost模型进行初步预测增加特征,并利用误差倒数法将两模型组合起来进行预测。选取2018年光伏电站人工智能运维大数据处理分析大赛的数据集进行实验评估,最终结果表明,该文所构建的XGBoost-LSTM组合模型的均方根误差(RMSE)为0.214,将上述方法与随机森林、GBDT模型和单一的XGBoost模型和LSTM模型相比较,该文提出的方法具有更高的预测精度。 展开更多
关键词 光伏发电 功率预测 xgboost 长短期记忆网络
下载PDF
无人机遥感与XGBoost的红树林物种分类 被引量：37
15
作者 徐逸 甄佳宁 +1 位作者 蒋侠朋 王俊杰 《遥感学报》 EI CSCD 北大核心 2021年第3期737-752,共16页
无人机遥感数据会衍生大量的光谱、纹理与结构特征,如何提取优势特征是提高红树林物种分类效率和精度的关键问题。针对深圳福田红树林自然保护区缓冲区获取的无人机高光谱影像和Li DAR点云数据,本研究旨在利用极端梯度提升算法(XGBoost)... 无人机遥感数据会衍生大量的光谱、纹理与结构特征,如何提取优势特征是提高红树林物种分类效率和精度的关键问题。针对深圳福田红树林自然保护区缓冲区获取的无人机高光谱影像和Li DAR点云数据,本研究旨在利用极端梯度提升算法(XGBoost)的"特征重要性"属性筛选出适合红树林物种分类的8类优势特征:基于无人机高光谱影像的单一特征(光谱波段、植被指数和纹理特征:F1—F3)及其融合特征(F4)、基于Li DAR点云的单一特征(高度和强度特征:F5和F6)及其融合特征(F7)、高光谱影像与Li DAR点云的融合特征(F8);基于以上优势特征构建8个XGBoost分类模型。结果表明:综合物种分类精度及其制图结果,基于F8特征的模型分类性能最佳(总体精度为96.41%,莫兰指数为0.5520);基于单一数据源融合特征(总体精度,F4:96.74%;F7:90.64%)的分类性能优于基于单一特征(总体精度,F1—F3:90.31%、92.20%和91.96%;F5和F6:87.66%和81.99%);基于融合特征(F4、F7和F8)和纹理特征(F3)分类图的莫兰指数比基于单一特征(F1、F2、F5和F6)的更大。本文论证了无人机遥感数据和XGBoost方法在基于像元的红树林物种精准分类上具备可行性,可为红树林生态系统健康、保护与恢复的立体监测提供科学依据和技术支撑。 展开更多
关键词 遥感 红树林 树种分类 无人机 高光谱影像 LIDAR点云 xgboost
原文传递
基于Xgboost和LightGBM算法预测住房月租金的应用分析 被引量：34
16
作者 谢勇 项薇 +2 位作者 季孟忠 彭俊 黄益槐 《计算机应用与软件》 北大核心 2019年第9期151-155,191,共6页
结合收集的住房月租金数据,通过合理处理异常缺失数据和设置多个数据集的预处理后,分别应用GBDT(Gradient Boosting Decision Tree)、Xgboost(eXtreme Gradient Boosting)和LightGBM三种机器学习模型对住房月租金进行预测。通过比较分... 结合收集的住房月租金数据,通过合理处理异常缺失数据和设置多个数据集的预处理后,分别应用GBDT(Gradient Boosting Decision Tree)、Xgboost(eXtreme Gradient Boosting)和LightGBM三种机器学习模型对住房月租金进行预测。通过比较分析在不同数据集训练下的预测结果,发现Xgboost和LightGBM模型优于传统GBDT模型。同时发现影响住房月租金的关键因素主要包括房屋面积、小区所在商圈位置、房屋距离地铁的距离、房屋所在建筑的总楼层数和小区房屋出租数量等。预测模型及分析结果对住房租赁市场中住房租金价格的预测具有一定的参考价值。 展开更多
关键词 住房租金预测 xgboost LightGBM
下载PDF
基于CRITIC-XGB算法的岩爆倾向等级预测模型 被引量：31
17
作者 谢学斌 李德玄 +2 位作者 孔令燕 叶永飞 高山 《岩石力学与工程学报》 EI CAS CSCD 北大核心 2020年第10期1975-1982,共8页
为了更精确地对岩爆倾向等级进行预测,根据岩爆的成因和特点选取了围岩切向应力,围岩切向应力和单轴抗压强度的比值,岩石脆性指数和岩石的弹性变形能量指数作为岩爆倾向等级预测指标,然后运用改进的CRITIC算法对指标样本进行加权处理,... 为了更精确地对岩爆倾向等级进行预测,根据岩爆的成因和特点选取了围岩切向应力,围岩切向应力和单轴抗压强度的比值,岩石脆性指数和岩石的弹性变形能量指数作为岩爆倾向等级预测指标,然后运用改进的CRITIC算法对指标样本进行加权处理,在此基础上引入新的机器学习算法XGBoost对样本进行计算训练,最终建立岩爆倾向等级预测的CRITIC-XGB模型。运用该模型对收集的岩爆实例进行了岩爆倾向等级预测,并将预测结果与XGBoost、随机森林(RF)和支持向量机(SVM)算法的预测结果进行分析研究。研究结果表明:CRITIC-XGB预测模型较单一的XGBoost模型的收敛性能有较为明显的提高;CRITIC-XGB预测模型较单一的XGBoost算法、RF和SVM算法,有更高的预测准确性,为岩爆倾向等级预测提供了一种新的可靠方法。 展开更多
关键词 岩石力学 岩爆等级 智能算法 预测模型 CRITIC法 xgboost
原文传递
基于串行–并行集成学习的高峰负荷预测方法 被引量：29
18
作者 史佳琪 马丽雅 +2 位作者 李晨晨 刘念 张建华 《中国电机工程学报》 EI CSCD 北大核心 2020年第14期4463-4472,共10页
负荷预测自电力工业诞生便是一项热门的基础研究问题,连续多天的日高峰负荷预测往往对电网的优化运行与安全稳定起到重要作用。该文深入分析了统计学习类算法的误差分布,提出一种基于串–并行集成学习的连续多日高峰负荷预测方法。首先... 负荷预测自电力工业诞生便是一项热门的基础研究问题,连续多天的日高峰负荷预测往往对电网的优化运行与安全稳定起到重要作用。该文深入分析了统计学习类算法的误差分布,提出一种基于串–并行集成学习的连续多日高峰负荷预测方法。首先介绍了统计学习类算法的泛化误差的分解情况,阐述了XGBoost串行集成算法与Bagging并行集成学习的训练机理,分析了粒子群算法的基本原理。在综合考量模型偏差与方差分布的基础上,提出Bagging框架下基于XGBoost算法的负荷预测模型,并采用粒子群算法交叉验证XGBoost模型最优超参数。最后,使用斯洛文尼亚电力公司用电负荷数据对算法有效性进行验证,算例表明XGBoost模型对特征贡献度的量化分析有效地辅助了特征选择的过程,粒子群算法缩短了XGBoost超参数寻优的时间。与传统模型相比,基学习器为树模型的Bagging-XGBoost算法有着较高的预测精度。预测结果显示串–并行方式耦合的集成学习方式在连续多日高峰负荷预测场景中有着较高应用价值。 展开更多
关键词 连续多日高峰负荷预测 串–并行集成学习 xgboost BAGGING 超参数优化 特征贡献度
下载PDF
基于XGBoost和LSTM加权组合模型在销售预测的应用 被引量：29
19
作者 冯晨 陈志德 《计算机系统应用》 2019年第10期226-232,共7页
针对多变量的商品销售预测问题,为了提高预测的精度,提出了一种ARIMA-XGBoost-LSTM加权组合方法,对具有多个影响因素的商品销售序列进行预测,本文采用ARIMA做单变量预测,将预测值作为新变量同其他变量一起放入XGBoost模型中进行不同属... 针对多变量的商品销售预测问题,为了提高预测的精度,提出了一种ARIMA-XGBoost-LSTM加权组合方法,对具有多个影响因素的商品销售序列进行预测,本文采用ARIMA做单变量预测,将预测值作为新变量同其他变量一起放入XGBoost模型中进行不同属性的挖掘,并将XGBoost的预测值合并到多变量序列中,然后通过将新的多维数据转换为监督学习序列后利用LSTM模型进行预测,将3种模型预测结果进行加权组合,通过多次实验得出最佳组合的权值,以此计算出最终的预测值.数据结果表明,基于XGBoost和LSTM的加权组合的多变量预测方法比单一的预测方法所得到的预测值更为精准. 展开更多
关键词 ARIMA LSTM xgboost 时间序列 组合模型预测
下载PDF
基于深度卷积神经网络的变压器故障诊断方法 被引量：28
20
作者 王峰 毕建刚 +1 位作者 万梓聪 闫丹凤 《广东电力》 2019年第9期177-183,共7页
目前变压器故障诊断最常用的方法为三比值法,但在大量实际应用过程中,单凭经验或统计学原理很难进一步提升故障诊断准确率。为此,提出通过构建深度卷积神经网络(deeply convolutional neural network,DCNN)模型以提升设备故障诊断准确率... 目前变压器故障诊断最常用的方法为三比值法,但在大量实际应用过程中,单凭经验或统计学原理很难进一步提升故障诊断准确率。为此,提出通过构建深度卷积神经网络(deeply convolutional neural network,DCNN)模型以提升设备故障诊断准确率,DCNN模型能够识别设备监测数据的局部特征以及不同时刻监测数据间的相关信息;深度神经网络(deep neural network,DNN)模型可以无限逼近目标函数,能够以任务为导向,提高设备故障诊断的准确率。结合这2种网络模型,并使用残差网络(residual network,ResNet)结构、批量归一化来提高模型的收敛速度以及模型泛化能力。实验表明:DCNN模型在设备故障诊断时F-Score值、准确率和召回率均优于传统卷积神经网络(convolutional neural network,CNN)、循环神经网络(recurrent neural network,RNN)、XGBoost和三比值法。DCNN模型能够对设备监测数据特征进行自主学习,减少人工干预,降低误报率;此外,基于DCNN提取的设备指纹(表征设备特征信息)为后续设备故障诊断积累了数据基础。 展开更多
关键词 变压器 故障诊断 深度卷积神经网络 循环神经网络 xgboost 设备指纹
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 … 92 下一页 到第 页
使用帮助 返回顶部