典型文献
基于改进ARMA-XGBoost算法的汽油辛烷值损失预测模型
文献摘要：
针对汽油辛烷值损失数据中异常采样数据,本文提出一种基于机器学习的汽油辛烷值数据处理方法.该方法包括基于XGBoost的缺失值预测分析及基于Random Forest的异常值处理、再利用基于ARMA算法的特征降维模型,将模型的预测值与真实值进行对比,结果表明在测试集上的准确率为91.31％.经过异常值处理模型修复的数据满足辛烷值损失要求,可为后续降低辛烷值损失提供数据支撑和主要特征改善提供依据.
文献关键词：
特征降维;随机森林;自回归滑动平均模型;BP神经网络
中图分类号：
作者姓名：
游长莉;唐成章;胡江宇
作者机构：
兴义民族师范学院 贵州省兴义市 562400;武汉纺织大学机械工程与自动化学院 湖北省武汉市 430200
文献出处：
引用格式：
[1]游长莉;唐成章;胡江宇-.基于改进ARMA-XGBoost算法的汽油辛烷值损失预测模型)[J].时代汽车,2022(18):36-39
A类：
汽油辛烷值损失预测模型
B类：
ARMA,XGBoost,采样数据,基于机器学习,数据处理方法,缺失值预测,预测分析,Random,Forest,异常值,特征降维,降维模型,真实值,测试集,处理模型,模型修复,自回归滑动平均模型
AB值：
0.251226
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。
