一种基于多模型融合Stacking算法的煤质熔点预测方法.pdf
佳宁****么啦
亲,该文档总共13页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种基于多模型融合Stacking算法的煤质熔点预测方法.pdf
本发明公开了一种基于多模型融合Stacking算法的煤质熔点预测方法,使用机器算法预测数据,首先确定目标变量及特征变量,将test数据库拆分成testA数据库及testB数据库,构建其对应的trainA数据库及trainB数据库;对数据进行最大最小归一化处理、进行Box‑Cox变换、采用“3σ准则”剔除异常值等处理;选择基模型及元模型,基模型分别进行单独训练,元模型进行拟合训练,得到最终模型A,模型A预测testA数据库的灰熔点。本发明的煤质熔点预测方法,解决了耗时、耗能、耗力的弊端,能对大规模样品进行预
一种基于Stacking模型融合的楼宇用电量预测方法和系统.pdf
本发明公开了一种基于Stacking模型融合的楼宇用电量预测方法和系统,属于楼宇用电量预测领域。本发明采用Stacking模型融合算法集成多种回归模型,构建用电量Stacking集成模型,集成了多种模型的优势,减少了预测偏差;针对用电量不稳的楼宇,利用了历史用电量、温度、风力、湿度、时间信息等多种影响因素,训练用电量Stacking集成模型,提高了预测的精准度,有利于楼宇的管理者对大楼能耗进行有效的管控,避免出现耗电量与预估电量相差太大的情况,在参与电力市场交易时合理预估和购买,使楼宇管理者有效控制电费支
基于Stacking算法的碳排放预测模型的构建和预测方法及介质.pdf
本发明涉及一种基于Stacking算法的碳排放预测模型的构建和预测方法及介质,步骤如下:获取电力数据以及对应的碳排放数据样本,形成数据集;预处理数据集,将数据集划分为训练集和测试集;使用XGBoost算法分析影响碳排放的特征,得到目标特征;构建碳排放预测模型,碳排放预测模型包括元模型和多个基模型;使用Stacking算法将元模型和多个基模型融合,基于训练集和目标特征对模型进行训练;根据各基模型输出的碳排放预测结果误差占比,调整各基模型输入到元模型的预测结果权重分配,得到优化的碳排放预测模型。本发明通过选用
一种基于多机器学习模型融合的油井产量预测方法.pdf
本发明公开了一种基于多机器学习模型融合的油井产量预测方法,包括以下步骤:S1:收集目标产油井的生产资料并进行预处理,获得生产数据集;S2:划分训练数据集和测试数据集;S3:分别构建TCN‑attention模型、CatBoost模型、ANFIS模型并进行训练;S4:获得三个模型的预测输出结果一,将其划分为训练数据集二和测试数据集二;S5:构建RBF神经网络并进行训练;S6:获得预测输出结果二;S7:将所述预测输出结果二与所述测试数据集二中的真实值进行对比,根据对比结果判断融合模型是否达到预测精度要求:若未
一种基于BP网络模型的煤灰熔点预测方法.pdf
本发明公开了一种基于BP网络模型的煤灰熔点预测方法。基于高炉喷吹煤粉,构建以煤灰的氧化物成分为输入,煤灰变形温度为输出的3层BP网络模型。确定样本后,通过对样本的在线训练,逐步确定BP网络结构的各个参数,最终通过BP网络模型的应用得到最优解。本发明的优点:1)BP网络模型采用误差反向传播的方式,通过对误差的逐级调整,最终达到最小化误差值的目的;2)由于目前高炉喷吹煤灰熔点的测量具有一定的时效性,通过该网络模型的建立,可以实现对煤灰熔点快速、准确的预测。