【技术实现步骤摘要】
本申请涉及神经网络领域，具体而言，本申请涉及一种基于lstm-xgboost神经网络的多因素负荷预测方法及装置。
技术介绍
1、在专利cn117494889a中，使用xgboost模型进行负荷预测，虽然具有较高的预测性能和较强的鲁棒性，但难以捕捉时间序列中的长期依赖关系，且没有考虑多种外在因素对预测的影响效果。在专利cn117521724a中，使用lstm神经网络进行负荷预测，虽然能够捕捉长期依赖关系，但在处理较复杂的数据集时，容易出现过拟合的问题。
2、由此可知，现有技术中对多因素负荷预测还存在诸多技术问题亟须解决。
技术实现思路
1、为解决上述技术问题，本专利技术提出了一种基于lstm-xgboost神经网络的多因素负荷预测方法、装置，通过组合lstm神经网络和xgboost模型，并考虑多种外在影响因素，实现了具有更高精度的负荷预测。本专利技术在预测时，先使用lstm神经网络提取历史数据的长期依赖关系，再使用xgboost模型进行拟合，并完成最终的预测，从而提高了负荷预测的准确率。
2、第一方面，本专利技术提出了一种基于lstm-xgboost神经网络的多因素负荷预测方法，所述方法包括如下步骤：
3、步骤s1.采集源数据，经预处理后，生成基于历史负荷数据和历史外在因素数据的待分析数据；
4、步骤s2.将所述待分析数据根据数据类型生成多个第一输入数据集，根据构建的双层lstm模型提取每个输入数据集中的长期依赖关系；
5、
6、结合第一方面，在一种可能的实现方式中，所述步骤s1中的预处理包括对所述源数据的历史负荷数据和历史外在因素数据进行缺失值、异常值和归一化的预处理。
7、结合第一方面，在一种可能的实现方式中，所述步骤s2具体包括：
8、步骤s2.1：将所述待分析数据基于所述历史负荷数据和所述历史外在因素数据生成多个第一输入数据集；
9、步骤s2.2：将多个第一输入数据集按照8:2的比例划分为第一训练集和第一测试集，构建双层lstm模型，并设置防止模型过拟合的dropout层，将所述第一训练集输入构建的双层lstm模型训练后生成训练好的双层lstm模型；
10、步骤s2.3：使用训练好的所述双层lstm模型分别对第一训练集和第一测试集进行预测，得到两组预测结果后作为lstm网络提取出的长期依赖关系。
11、结合第一方面，在一种可能的实现方式中，将所述待分析数据基于所述历史负荷数据和所述历史外在因素数据生成多个第一输入数据集的步骤还包括，若有多个历史外在因素数据，则为每一个历史外在因素数据构建一个单独的第一输入数据集。
12、结合第一方面，在一种可能的实现方式中，所述步骤s3具体包括：
13、步骤s3.1：基于所述长期依赖关系和所述历史负荷数据生成第二输入数据集，包括历史负荷数据、lstm模型对历史负荷数据和历史外在因素数据的预测结果；
14、步骤s3.2：将所述第二输入数据集按照8:2的比例划分为第二训练集和第二测试集，构建xgboost模型，并基于所述第二训练集训练所述xgboost模型；
15、步骤s3.3：使用训练好的xgboost模型对第二训练集和第二测试集进行预测，生成基于lstm-xgboost组合模型的多因素负荷预测值。
16、第二方面，本专利技术提出了一种基于lstm-xgboost神经网络的多因素负荷预测装置，所述装置包括：
17、预处理模块，用于采集源数据，经预处理后，生成基于历史负荷数据和历史外在因素数据的待分析数据；
18、第一处理模块，用于将所述待分析数据根据数据类型生成多个第一输入数据集，根据构建的双层lstm模型提取每个输入数据集中的长期依赖关系；
19、第二处理模块，用于基于所述长期依赖关系和所述历史负荷数据生成第二输入数据集，根据构建的xgboost模型对第二输入数据集进行拟合、预测，生成基于lstm-xgboost组合模型的多因素负荷预测值。
20、结合第二方面，在一种可能的实现方式中，所述第一处理模块包括：
21、第一数据集生成子模块：用于将所述待分析数据基于所述历史负荷数据和所述历史外在因素数据生成多个第一输入数据集；
22、第一构建子模块：用于将多个第一输入数据集按照8:2的比例划分为第一训练集和第一测试集，构建双层lstm模型，并设置防止模型过拟合的dropout层，将所述第一训练集输入构建的双层lstm模型训练后生成训练好的双层lstm模型；
23、第一生成子模块：用于用训练好的所述双层lstm模型分别对第一训练集和第一测试集进行预测，得到两组预测结果后作为lstm网络提取出的长期依赖关系。
24、结合第二方面，在一种可能的实现方式中，所述第二处理模块包括：
25、第二数据集生成子模块：用于基于所述长期依赖关系和所述历史负荷数据生成第二输入数据集，包括历史负荷数据、lstm模型对历史负荷数据和历史外在因素数据的预测结果，
26、第二构建子模块：用于将所述第二输入数据集按照8:2的比例划分为第二训练集和第二测试集，构建xgboost模型，并基于所述第二训练集训练所述xgboost模型；
27、第二生成子模块：用于使用训练好的xgboost模型对第二训练集和第二测试集进行预测，生成基于lstm-xgboost组合模型的多因素负荷预测值。
28、第三方面，提供一种电子设备，包括：
29、存储器，其上存储有应用程序和操作系统；
30、处理器，用于执行所述程序或指令时，使得第一方面中的多因素负荷预测方法得以实现。
31、第四方面，提供一种可读存储介质，其上存储有应用程序和操作系统，其特征在于，所述程序或指令被处理器执行时，使得第一方面中的多因素负荷预测方法得以实现。
32、本专利技术使用的lstm-xgboost组合模型使用xgboost模型拟合历史负荷数据和lstm神经网络提取出的长期依赖关系，将两个单一模型的优势组合体现，获得更加精准，适用性更广的预测模型；同时，本专利技术将多种外在影响因素考虑在内，使得预测结果更加准确，贴合实际。
本文档来自技高网...【技术保护点】
1.一种基于LSTM-XGBoost神经网络的多因素负荷预测方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的多因素负荷预测方法，其特征在于，所述步骤S1中的预处理包括对所述源数据的历史负荷数据和历史外在因素数据进行缺失值、异常值和归一化的预处理。
3.根据权利要求1所述的多因素负荷预测方法，其特征在于，所述步骤S2具体包括：
4.根据权利要求3所述的多因素负荷预测方法，其特征在于，将所述待分析数据基于所述历史负荷数据和所述历史外在因素数据生成多个第一输入数据集的步骤还包括，若有多个历史外在因素数据，则为每一个历史外在因素数据构建一个单独的第一输入数据集。
5.根据权利要求4所述的多因素负荷预测方法，其特征在于，所述步骤S3具体包括：
6.一种基于LSTM-XGBoost神经网络的多因素负荷预测装置，其特征在于，所述装置包括：
7.根据权利要求6所述的基于LSTM-XGBoost神经网络的多因素负荷预测装置，其特征在于，所述第一处理模块包括：
8.根据权利要求6所述的基于LSTM-
9.一种电子设备，其特征在于，包括：
10.一种可读存储介质，其上存储有应用程序和操作系统，其特征在于，所述程序或指令被处理器执行时实现如权利要求1至5中任一项所述的多因素负荷预测方法的步骤。
...【技术特征摘要】
1.一种基于lstm-xgboost神经网络的多因素负荷预测方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的多因素负荷预测方法，其特征在于，所述步骤s1中的预处理包括对所述源数据的历史负荷数据和历史外在因素数据进行缺失值、异常值和归一化的预处理。
3.根据权利要求1所述的多因素负荷预测方法，其特征在于，所述步骤s2具体包括：
4.根据权利要求3所述的多因素负荷预测方法，其特征在于，将所述待分析数据基于所述历史负荷数据和所述历史外在因素数据生成多个第一输入数据集的步骤还包括，若有多个历史外在因素数据，则为每一个历史外在因素数据构建一个单独的第一输入数据集。
5.根据权利要求4...
【专利技术属性】
技术研发人员：林荣恒，曾伟，吴家宝，吴步丹，陈硕，王振浩，陈伟杰，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。