基于梯度提升树的电力物资在库时长预测
【部分图文】：
梯度提升决策树(Gradient Boosting Decision Tree,GBDT)由多棵决策树组成,是一种迭代的决策树算法。GBDT通过多轮迭代,每轮迭代产生一个弱分类器,各分类器在上轮分类残差基础上进行再次训练[11-13]。具体流程如图1所示。梯度提升采用加法模型(基函数的线性组合)和前向分布算法,通过在残差减少的梯度(Gradient)方向建立新模型,使每次迭代均在残差降低的梯度方向减少[14-16]。梯度提升决策树通过多次迭代,生成多棵决策树,进而得出最佳模型,该模型具有发现多区分特征及特征组合的优势。
各方法预测结果如图2—图5所示,其中BP神经网络和L1/2稀疏迭代回归在数据量反复训练下出现了较大误差,预测结果较差。线性回归不能灵活捕捉多参量复杂模式,预测结果好于BP神经网络和L1/2稀疏迭代回归,但相对于本文提出的算法差距仍然明显。本文提出梯度提升树预测模型误差、绝对误差、相对误差均为最小,准确度达95%,并通过式(10)、(11)可计算各指标参数物资需求偏差、施工进度偏差、物资计划提报偏差、交货日期偏差、退库次数和利库次数的权重,各参数权重值分别为0.17、0.29、0.15、0.14、0.17和0.08。通过分析表2所示各算法误差参数及图2—图5各算法对比,验证了本文预测模型的准确性和有效性。图3 神经网络模型预测误差
神经网络模型预测误差
【相似文献】
相关期刊论文 前10条
1 毕子健;王翎颖;;电网物资需求预测方法研究[J];华北电力技术;2015年10期
2 赵欣;丁靖;吴建峰;;数据预测模型在物资需求计划申报中的应用[J];电子技术与软件工程;2020年15期
3 卢晓龙;任绪增;李胜杰;董舜玉;徐彬;;寄售模式在电力营销类物资需求管理中的应用[J];中外企业家;2019年32期
4 胡世广;王琦;;改进灰色预测模型在热电厂热负荷预测中的应用[J];电力学报;2019年06期
5 张羽;殷隽;;寄售模式在电力营销类物资需求管理中的应用[J];合作经济与科技;2017年16期
6 夏通;周艳梅;付健艺;吴雨涛;;数据采样技术在95598故障工单预测模型中的应用[J];通讯世界;2020年01期
7 宋良才;索贵龙;胡军涛;窦艳梅;崔志永;;基于注意力机制的Encoder-Decoder光伏发电预测模型[J];计算机与现代化;2020年09期
8 李伟,韩力;组合灰色预测模型在电力负荷预测中的应用[J];重庆大学学报(自然科学版);2004年01期
9 张步涵;郑琢非;;灰色预测模型在农电规划中的应用[J];水电能源科学;1993年02期
10 李科;李秋燕;张艺涵;郭新志;;基于模糊信息粒化的电力系统中光伏出力预测模型分析[J];电网与清洁能源;2020年05期
相关博士学位论文 前2条
1 王大鹏;灰色预测模型及中长期电力负荷预测应用研究[D];华中科技大学;2013年
2 解佗;基于分解集成预测模型框架及多目标对冲机制的水电—光伏联合调度研究[D];西安理工大学;2020年
相关硕士学位论文 前10条
1 杨颜洁;电网关键物资采购价格的预测模型[D];重庆大学;2019年
2 郑强;基于深度学习的光伏发电量预测模型研究[D];华北电力大学;2019年
3 马利洁;Spark框架下基于变量预测模型的变压器故障的并行化诊断[D];华北电力大学;2019年
4 李宜伦;基于混合预测的光伏功率预测方案设计与研究[D];沈阳工程学院;2019年
5 张俭;基于深度学习的风功率预测模型的研究[D];北京交通大学;2019年
6 黄伟;基于组合算法的巴拉素风电场多尺度功率预测模型研究[D];西安科技大学;2019年
7 郭佳;基于机器学习算法的企业用电预测模型研究[D];重庆邮电大学;2019年
8 郭彦男;基于大数据技术的智能电网企业日用电量预测模型实现[D];广东工业大学;2019年
9 MUGISHA THEOPHILE;[D];厦门理工学院;2019年
10 张志伟;基于高渗透率配电网的分布式能源出力预测研究[D];内蒙古科技大学;2019年
本文编号：2835713
本文链接：https://www.wllwen.com/gongshangguanlilunwen/2835713.html
