典型文献
基于机器学习算法的输电线路工程投资预测
文献摘要：
技术方案深度的不足导致依据定额概预算来确定输电线路工程投资的方法准确性低、工作量大,因此,研究基于机器学习的投资预测模型需求迫切.针对输电线路投资的高维数、非线性等特点,提出了基于极端梯度提升(extreme gradient boosting,XGBoost)算法的输电线路工程投资预测方法.通过采用实际输电线路工程数据对模型进行训练和测试,预测结果显示XGBoost模型在预测精度、结果偏差方面相较于神经网络和支持向量机(support vector machine,SVM)都具有较大的优势,能输出指标重要性排序,为决策者提供有效的投资额和控制指标参考,且模型的可靠性和可解释性较高.
文献关键词：
机器学习;XGBoost;输电线路工程;投资预测
中图分类号：
作者姓名：
卢文飞;袁竞峰;张嘉澍;管维亚;张建峰
作者机构：
东南大学土木工程学院,南京211189;国网江苏省电力有限公司经济技术研究院,南京210008
文献出处：
引用格式：
[1]卢文飞;袁竞峰;张嘉澍;管维亚;张建峰-.基于机器学习算法的输电线路工程投资预测)[J].科学技术与工程,2022(17):6992-7001
A类：
B类：
基于机器学习,机器学习算法,输电线路工程,工程投资,投资预测,定额,概预算,算来,高维,极端梯度提升,extreme,gradient,boosting,XGBoost,工程数据,support,vector,machine,指标重要性,重要性排序,决策者,投资额,控制指标,可解释性
AB值：
0.260984
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。
