-
基于多元協(xié)變量和隨機森林算法的寧夏用電量預測
摘要:以2000一2010年寧夏用電量相關資料為基礎,提取用電量的影響因子,并于Rstudio平臺構建基于隨機森林算法(RF）的預測模型,對2012一2017年用電量進行預測驗證。結果表明,模型輸出值與實際值相吻合,訓練誤差與預測平均誤差分別為7.02億kw·h、9.20億kw·h,該算法模型有效。對比可知,RF模型的MAE、RMsE(9.20億kw·h、10.57億kw·h）小于RBF(13.24億kw·h、14.04億kw·h）和sVM(22.39億kw·h、25.57億kw·h）模型,基于RF的用電預測模型效果更優(yōu)。另外,RF能夠準確計算預測因子的重要性,這對于變量篩選具有重要意義。
-
基于多元協(xié)變量和隨機森林算法的寧夏用電量預測
摘要:以2000一2010年寧夏用電量相關資料為基礎,提取用電量的影響因子,并于Rstudio平臺構建基于隨機森林算法(RF）的預測模型,對2012一2017年用電量進行預測驗證。結果表明,模型輸出值與實際值相吻合,訓練誤差與預測平均誤差分別為7.02億kw·h、9.20億kw·h,該算法模型有效。對比可知,RF模型的MAE、RMSE(9.20億kw·h、10.57億kw·h）小于RBF(13.24億kw·h、14.04億kw·h）和SVM(22.39億kw·h、25.57億kw·h）模型,基于RF的用電預測模型效果更優(yōu)。另外,RF能夠準確計算預測因子的重要性,這對于變量篩選具有重要意義。
