PulseAugur
中
实时 12:32:05
English(EN) Electricity Consumption Forecasting: An Approach Using Cooperative Ensemble Learning with SHapley Additive exPlanations

新的集成学习模型可预测未来12个月的电力使用情况

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为Weaker Separator Booster (WSB)的合作集成学习方法，可提前12个月预测电力消耗。该研究利用了巴拉那联邦学院（IFPR）两个校区的历史数据，并结合了使用SHAP的特征选择以及通过GA和PSO进行的优化。WSB模型表现出色，在一个校区实现了13.90%的sMAPE和1990.87千瓦时的MAE，在另一个校区实现了18.72%的sMAPE和465.02千瓦时的MAE。分析表明，滞后时间序列值是最有影响力的因素，而气候变量的影响最小。 AI

影响 这项研究提出了一种新颖的集成学习方法，用于提高长期电力消耗预测的准确性。

排序理由 该集群包含一篇详细介绍用于预测的新机器学习方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Eduardo Luiz Alba, Gilson Adamczuk Oliveira, Matheus Henrique Dal Molin Ribeiro, \'Erick Oliveira Rodrigues ·

    电力消耗预测：一种使用基于SHapley Additive exPlanations的协同集成学习的方法

    arXiv:2605.25305v1 Announce Type: new Abstract: Electricity expense management presents significant challenges, as this resource is susceptible to various influencing factors. In universities, the demand for this resource is rapidly growing with institutional expansion and has a …

相关实体

相关话题