CN114386142B 基于多源融合特征选择和模糊差异性增强Stacking框架的建筑能耗预测方法 （上海电力大学）

AU2020101854A4,2020.09.24基于多源融合特征选择和模糊差异性增强本发明涉及一种基于多源融合特征选择和模糊差异性增强Stacking框架的建筑能耗预测理，并将处理后的数据集划分为训练集和预测源融合特征方式选出最优特征子集和最优特征2采集建筑能耗历史数据，构建建筑能耗预测数据集，对建筑能耗预对预处理后的数据集进行特征工程，利用多源融合特征方式选出最1）首先将三种基模型通过随机搜索进行超参数优化，得到性能优异的单一模型作为6）获取相应的模糊差异性增强系数后，将每个样本的误差与自身差异性增强系数相2.根据权利要求1所述的基于多源融合特征选择和模糊差异性增强Stacking框架的建3.根据权利要求1所述的基于多源融合特征选择和模糊差异性增强Stacking框架的建对预处理后的数据集进行特征工程后，分别通过不同的特征选择分别对不同特征选择算法下的特征重要性值得分进行排依次进行不同特征选择数下的预测性能对比，在确定当前特征选遍历所有不同特征选择数下的预测性能，依次选择重要性值靠前的不同m个特征作为34.根据权利要求3所述的基于多源融合特征选择和模糊差异性增强Stacking框架的建筑能耗预测方法，其特征在于，不同的特征选择算法包括方差选择法、递归特征消除、5.根据权利要求1所述的基于多源融合特征选择和模糊差异性增强Stacking框架的建6.根据权利要求5所述的基于多源融合特征选择和模糊差异性增强Stacking框架的建7.根据权利要求1所述的基于多源融合特征选择和模糊差异性增强Stacking框架的建4也可以得到解决。根据目前的组合策略，可以将集成算法分为Boosting、Bagging和数对Stacking框架的研究都主要停留在应用方面，通过对基模型进行选择，从而搭建一问题会使得Stacking第二层元学习器的学习泛化性降低，从而影响预测模型最后的精5[0007]本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多源融合特征选择和模糊差异性增强Stacking框[0017]S202：分别通过方差选择法(VT，VarianceThreshold)、递归特征消除(RFE，差与其他特征的方差相比之下较小时，说明该特征所包含的信息量与其他特征相比也较6征的融合重要度值的排名进行筛选的，选择融合重要度值大的前m个特征作为最优特征子第一层。通过S2特征工程后的最优特征子集进行不同基模型的性能评估，选择XGboost、型作为Stacking框架第一层的基模型进行集成框7[0040]对于基本模型1到基本模型3，分别得到各基本模型的训练集S1～S3和测试集M1-[0048]将计算得到的误差与误差率作为模糊差异性增强层的两个输入参数。通过对8[0052]本发明提供的基于多源融合特征选择和模糊差异性增强Stacking框架的建筑能[0054]2)本发明中的多源融合特征选择能够自动筛选出针对数据集的最优特征个数以[0055]图1为实施例中基于多源融合特征选择和模糊差异性增强Stacking框架的建筑能Stacking框架的建筑能耗预测方法，该方法提出了一种新的差异性增强模糊Stacking框者作为模糊差异性增强层的输入进行判别，并进而通过模糊规则得到模型差异性增强系9各特征的归一化处理，使得不同特征处于同一量纲下用以后续对比不同特征的重要性程集的最优特征子集和最优特征筛选个数。针对归一化后的数据集，分别通过方差选择法(VT，VarianceThreshold)、递归特征消除(RFE，Recursivefeatureelimination)、XGBoost(eXtremeGradientBoosting)以及线性特征选择(LR，LinearRegression)来进一层。通过特征工程后的最优子集进行不同模型的性能评估，选择XGboost、Random一步获得的残差上对树的迭代估计以及估计的自适应更新。梯度提升使用梯度下降技术，为此选择有利于接近目标函数最小值的分割。XGBoost的速度比其他常见的机器学习方法LightGBM三种基模型的超参数进行寻优，得到针对当前数据集的预测强学习器。针对RF、[0084]将3种优化后的预测模型作为Stacking框架第一层的基模型。为了防止过拟合的降低了5.36SMAPE降低了5.84％。这也进一步证明了，与其他高级预测模型相比，异性增强层处理的XGBoost模型，F-LightGBM指的是通过模糊差异性增强层处理的表3中的模型是通过交叉验证所得到的Stacking第一层基模型的结果。二者针对模型的训果均得到了一定的下降。这意味着处理后的各基模型随着自身误差和误差率的变化趋势，框架的第二层来拟合处理结果。如表4所示，本发明所提出的Fuzzy-Stacking在传统所表现的性能得到了一定的下降，但是并不会降低最终Fuzzy-Stack