預(yù)測精度

我要報錯

  • 基于多元協(xié)變量和隨機(jī)森林算法的寧夏用電量預(yù)測

    摘要:以2000一2010年寧夏用電量相關(guān)資料為基礎(chǔ),提取用電量的影響因子,并于Rstudio平臺構(gòu)建基于隨機(jī)森林算法(RF）的預(yù)測模型,對2012一2017年用電量進(jìn)行預(yù)測驗(yàn)證。結(jié)果表明,模型輸出值與實(shí)際值相吻合,訓(xùn)練誤差與預(yù)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(yù)測模型效果更優(yōu)。另外,RF能夠準(zhǔn)確計(jì)算預(yù)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(jī)森林算法的寧夏用電量預(yù)測

    摘要:以2000一2010年寧夏用電量相關(guān)資料為基礎(chǔ),提取用電量的影響因子,并于Rstudio平臺構(gòu)建基于隨機(jī)森林算法(RF）的預(yù)測模型,對2012一2017年用電量進(jìn)行預(yù)測驗(yàn)證。結(jié)果表明,模型輸出值與實(shí)際值相吻合,訓(xùn)練誤差與預(yù)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(yù)測模型效果更優(yōu)。另外,RF能夠準(zhǔn)確計(jì)算預(yù)測因子的重要性,這對于變量篩選具有重要意義。