典型文献
基于机器学习的电力数据回归分析和预测技术研究
文献摘要：
通过机器学习对海量的电力大数据进行分析和研究,可以探索和挖掘电力数据之间的相关性、数据属性间的相关模型,进而分析现状和预测未来,提升电网安全性、经济性和稳定性.通过支持向量机回归、高斯过程回归、回归树3种回归分析算法对采集到的电力数据进行比较和分析,重点从均方根误差、均方误差、平均绝对误差、拟合系数、运行时间等5个方面进行回归效果的讨论.同时,对3种算法进行超参数优化,获取最优回归模型.最后,通过综合比较5个指标,证明了基于网格树优化器的回归树模型对电力验证数据的拟合度最好.
文献关键词：
支持向量机回归;高斯过程回归;CART回归树;超参数优化
中图分类号：
作者姓名：
赵俊梅;张利平;刘丹;任一峰
作者机构：
中北大学 电气与控制工程学院,山西 太原 030051
文献出处：
引用格式：
[1]赵俊梅;张利平;刘丹;任一峰-.基于机器学习的电力数据回归分析和预测技术研究)[J].测试技术学报,2022(06):525-529,536
A类：
B类：
基于机器学习,电力数据,数据回归分析,预测技术,电力大数据,分析和研究,数据属性,相关模型,分析现状,预测未来,电网安全,支持向量机回归,高斯过程回归,均方误差,平均绝对误差,运行时间,回归效果,超参数优化,最优回归,优化器,回归树模型,拟合度,CART
AB值：
0.402674
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
