基于贝叶斯模型组合的随机森林预测方法
发布时间：2021-10-20 03:44
为了能够精准可靠地估计太阳能辐照度,本文提出一种基于贝叶斯模型组合的随机森林算法用于太阳能辐照度预测.首先,引入K-means聚类和K折交叉验证将气象数据训练集生成多个训练子集,以增加训练子集的多样性并保证均匀采样.其次,将随机森林作为基学习器建立集成学习预测模型,导入训练子集并训练各个随机森林.之后,依据各个随机森林在验证集上的预测性能,采用贝叶斯模型组合算法制定组合策略.个体随机森林在测试集上的预测值经过模型组合策略得到最终输出.最后,基于气象实测数据建立仿真实验,并引入其他四种预测方法进行对比仿真研究,通过实验结果验证了文中所提出预测方法在太阳能辐照度预测问题中的准确性和可靠性.
【文章来源】：湖南大学学报(自然科学版). 2019,46(02)北大核心EICSCD
【文章页数】：8 页
【部分图文】：
训练子集采样Fig.1Samplingoftrainingsubsets
p（yi|xi，D，H，E）=h∈EΣp（yi|xi，H，e）p（e|D）（6）式中：e是组合模型空间E中的个体假设模型.贝叶斯模型平均和贝叶斯模型组合示意图如图2和图3所示.D（xi，yi）p（yi|xi，h1）p（hHp（h|D）2|D）p（yi|xi，D，H）p（h1|D）Σ**h2h1假设空间HhHp（yi|xi，h2）p（yi|xi，hH）图2贝叶斯模型平均Fig.2BayesianmodelaveragingD（xi，yi）p（yi|xi，D，H，E）ΣBMAE假设空间EBMA1BMA2p（yi|xi，H，e1）p（yi|xi，H，e2）p（e1|D）p（yi|xi，H，eE）p（e2|D）p（eE|D）***图3贝叶斯模型组合Fig.3Bayesianmodelcombination这样的修正克服了贝叶斯模型平均给个体假设h所有权重的倾向.4基于贝叶斯模型组合的随机森林预测方法4.1预测方法流程基于贝叶斯模型组合的随机森林预测方法流程图如图4所示.基于贝叶斯模型组合的随机森林预测方法在太阳能辐照度预测实验中的具体实施步骤如下.{b21，b22，…，b2M}M折交叉验证训练集K-means聚类C2C1Ck{bK1，bK2，…，bKM}M折交叉验证M折交叉验证{b11，b12，…，b1M}训练集D2训练集D1训练集DM训练训练训练随机森林1随机森林2随机森林M测试集预测验证集预测测试集输入验证集输入预测输出贝叶斯模型组合输出输出模型组合策略验证集输出真实值验证集测试集图4BMC-EL预测方法流程图Fig.4ThestructurechartofBMC-EL1）首先采用公式x*=x-min（x）max（x）-m
p（yi|xi，D，H，E）=h∈EΣp（yi|xi，H，e）p（e|D）（6）式中：e是组合模型空间E中的个体假设模型.贝叶斯模型平均和贝叶斯模型组合示意图如图2和图3所示.D（xi，yi）p（yi|xi，h1）p（hHp（h|D）2|D）p（yi|xi，D，H）p（h1|D）Σ**h2h1假设空间HhHp（yi|xi，h2）p（yi|xi，hH）图2贝叶斯模型平均Fig.2BayesianmodelaveragingD（xi，yi）p（yi|xi，D，H，E）ΣBMAE假设空间EBMA1BMA2p（yi|xi，H，e1）p（yi|xi，H，e2）p（e1|D）p（yi|xi，H，eE）p（e2|D）p（eE|D）***图3贝叶斯模型组合Fig.3Bayesianmodelcombination这样的修正克服了贝叶斯模型平均给个体假设h所有权重的倾向.4基于贝叶斯模型组合的随机森林预测方法4.1预测方法流程基于贝叶斯模型组合的随机森林预测方法流程图如图4所示.基于贝叶斯模型组合的随机森林预测方法在太阳能辐照度预测实验中的具体实施步骤如下.{b21，b22，…，b2M}M折交叉验证训练集K-means聚类C2C1Ck{bK1，bK2，…，bKM}M折交叉验证M折交叉验证{b11，b12，…，b1M}训练集D2训练集D1训练集DM训练训练训练随机森林1随机森林2随机森林M测试集预测验证集预测测试集输入验证集输入预测输出贝叶斯模型组合输出输出模型组合策略验证集输出真实值验证集测试集图4BMC-EL预测方法流程图Fig.4ThestructurechartofBMC-EL1）首先采用公式x*=x-min（x）max（x）-m
【参考文献】：
期刊论文
[1]基于EMD-LMD-LSSVM联合模型的逐时太阳辐照度预测[J]. 田翠霞,黄敏,朱启兵. 太阳能学报. 2018(02)
[2]基于氧化动态模型的沥青热氧老化性能预测[J]. 刘芳,夏洪山,艾军,刘丽. 湖南大学学报(自然科学版). 2018(01)
[3]基于APSO<sub>WLSSVM算法的Hammerstein ARMAX模型参数辨识[J]. 郭伟,李明家,李涛,乔东东,魏妙. 中国科技论文. 2018(02)
[4]基于样条估计分位数回归的光伏功率回归模型[J]. 路志英,任一墨,葛路琨. 湖南大学学报(自然科学版). 2017(10)
本文编号：3446180
【文章来源】：湖南大学学报(自然科学版). 2019,46(02)北大核心EICSCD
【文章页数】：8 页
【部分图文】：
训练子集采样Fig.1Samplingoftrainingsubsets
p（yi|xi，D，H，E）=h∈EΣp（yi|xi，H，e）p（e|D）（6）式中：e是组合模型空间E中的个体假设模型.贝叶斯模型平均和贝叶斯模型组合示意图如图2和图3所示.D（xi，yi）p（yi|xi，h1）p（hHp（h|D）2|D）p（yi|xi，D，H）p（h1|D）Σ**h2h1假设空间HhHp（yi|xi，h2）p（yi|xi，hH）图2贝叶斯模型平均Fig.2BayesianmodelaveragingD（xi，yi）p（yi|xi，D，H，E）ΣBMAE假设空间EBMA1BMA2p（yi|xi，H，e1）p（yi|xi，H，e2）p（e1|D）p（yi|xi，H，eE）p（e2|D）p（eE|D）***图3贝叶斯模型组合Fig.3Bayesianmodelcombination这样的修正克服了贝叶斯模型平均给个体假设h所有权重的倾向.4基于贝叶斯模型组合的随机森林预测方法4.1预测方法流程基于贝叶斯模型组合的随机森林预测方法流程图如图4所示.基于贝叶斯模型组合的随机森林预测方法在太阳能辐照度预测实验中的具体实施步骤如下.{b21，b22，…，b2M}M折交叉验证训练集K-means聚类C2C1Ck{bK1，bK2，…，bKM}M折交叉验证M折交叉验证{b11，b12，…，b1M}训练集D2训练集D1训练集DM训练训练训练随机森林1随机森林2随机森林M测试集预测验证集预测测试集输入验证集输入预测输出贝叶斯模型组合输出输出模型组合策略验证集输出真实值验证集测试集图4BMC-EL预测方法流程图Fig.4ThestructurechartofBMC-EL1）首先采用公式x*=x-min（x）max（x）-m
p（yi|xi，D，H，E）=h∈EΣp（yi|xi，H，e）p（e|D）（6）式中：e是组合模型空间E中的个体假设模型.贝叶斯模型平均和贝叶斯模型组合示意图如图2和图3所示.D（xi，yi）p（yi|xi，h1）p（hHp（h|D）2|D）p（yi|xi，D，H）p（h1|D）Σ**h2h1假设空间HhHp（yi|xi，h2）p（yi|xi，hH）图2贝叶斯模型平均Fig.2BayesianmodelaveragingD（xi，yi）p（yi|xi，D，H，E）ΣBMAE假设空间EBMA1BMA2p（yi|xi，H，e1）p（yi|xi，H，e2）p（e1|D）p（yi|xi，H，eE）p（e2|D）p（eE|D）***图3贝叶斯模型组合Fig.3Bayesianmodelcombination这样的修正克服了贝叶斯模型平均给个体假设h所有权重的倾向.4基于贝叶斯模型组合的随机森林预测方法4.1预测方法流程基于贝叶斯模型组合的随机森林预测方法流程图如图4所示.基于贝叶斯模型组合的随机森林预测方法在太阳能辐照度预测实验中的具体实施步骤如下.{b21，b22，…，b2M}M折交叉验证训练集K-means聚类C2C1Ck{bK1，bK2，…，bKM}M折交叉验证M折交叉验证{b11，b12，…，b1M}训练集D2训练集D1训练集DM训练训练训练随机森林1随机森林2随机森林M测试集预测验证集预测测试集输入验证集输入预测输出贝叶斯模型组合输出输出模型组合策略验证集输出真实值验证集测试集图4BMC-EL预测方法流程图Fig.4ThestructurechartofBMC-EL1）首先采用公式x*=x-min（x）max（x）-m
【参考文献】：
期刊论文
[1]基于EMD-LMD-LSSVM联合模型的逐时太阳辐照度预测[J]. 田翠霞,黄敏,朱启兵. 太阳能学报. 2018(02)
[2]基于氧化动态模型的沥青热氧老化性能预测[J]. 刘芳,夏洪山,艾军,刘丽. 湖南大学学报(自然科学版). 2018(01)
[3]基于APSO<sub>WLSSVM算法的Hammerstein ARMAX模型参数辨识[J]. 郭伟,李明家,李涛,乔东东,魏妙. 中国科技论文. 2018(02)
[4]基于样条估计分位数回归的光伏功率回归模型[J]. 路志英,任一墨,葛路琨. 湖南大学学报(自然科学版). 2017(10)
本文编号：3446180
本文链接：https://www.wllwen.com/projectlw/xnylw/3446180.html
