針對電力公司物資庫齡長、周轉(zhuǎn)率低等問題,文章通過分析物資周轉(zhuǎn)顯性化特征,梳理影響物資周轉(zhuǎn)和積壓的因素,引入物資需求偏差、項目施工進(jìn)度偏差等指標(biāo)參數(shù),提出一種基于梯度提升樹的物資在庫時長預(yù)測模型,通過多參量構(gòu)建梯度回歸樹擬合損失函數(shù)得出學(xué)習(xí)率,在預(yù)測模型中進(jìn)行物資在庫時長預(yù)測。通過對某電力公司2017—2019年物資數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測,經(jīng)實(shí)驗分析,該模型對電力物資在庫時長預(yù)測準(zhǔn)確率為95%。同BP神經(jīng)網(wǎng)絡(luò)、L1/2稀疏迭代回歸和線性回歸算法比對后發(fā)現(xiàn),該模型在方差、誤差、準(zhǔn)確率方面優(yōu)于其他算法,證明了該模型的準(zhǔn)確性和實(shí)用性。
【部分圖文】：

梯度提升決策樹(Gradient Boosting Decision Tree,GBDT)由多棵決策樹組成,是一種迭代的決策樹算法。GBDT通過多輪迭代,每輪迭代產(chǎn)生一個弱分類器,各分類器在上輪分類殘差基礎(chǔ)上進(jìn)行再次訓(xùn)練[11-13]。具體流程如圖1所示。梯度提升采用加法模型(基函數(shù)的線性組合)和前向分布算法,通過在殘差減少的梯度(Gradient)方向建立新模型,使每次迭代均在殘差降低的梯度方向減少[14-16]。梯度提升決策樹通過多次迭代,生成多棵決策樹,進(jìn)而得出最佳模型,該模型具有發(fā)現(xiàn)多區(qū)分特征及特征組合的優(yōu)勢。

各方法預(yù)測結(jié)果如圖2—圖5所示,其中BP神經(jīng)網(wǎng)絡(luò)和L1/2稀疏迭代回歸在數(shù)據(jù)量反復(fù)訓(xùn)練下出現(xiàn)了較大誤差,預(yù)測結(jié)果較差。線性回歸不能靈活捕捉多參量復(fù)雜模式,預(yù)測結(jié)果好于BP神經(jīng)網(wǎng)絡(luò)和L1/2稀疏迭代回歸,但相對于本文提出的算法差距仍然明顯。本文提出梯度提升樹預(yù)測模型誤差、絕對誤差、相對誤差均為最小,準(zhǔn)確度達(dá)95%,并通過式(10)、(11)可計算各指標(biāo)參數(shù)物資需求偏差、施工進(jìn)度偏差、物資計劃提報偏差、交貨日期偏差、退庫次數(shù)和利庫次數(shù)的權(quán)重,各參數(shù)權(quán)重值分別為0.17、0.29、0.15、0.14、0.17和0.08。通過分析表2所示各算法誤差參數(shù)及圖2—圖5各算法對比,驗證了本文預(yù)測模型的準(zhǔn)確性和有效性。圖3 神經(jīng)網(wǎng)絡(luò)模型預(yù)測誤差

神經(jīng)網(wǎng)絡(luò)模型預(yù)測誤差
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 畢子健;王翎穎;;電網(wǎng)物資需求預(yù)測方法研究[J];華北電力技術(shù);2015年10期

2 趙欣;丁靖;吳建峰;;數(shù)據(jù)預(yù)測模型在物資需求計劃申報中的應(yīng)用[J];電子技術(shù)與軟件工程;2020年15期

3 盧曉龍;任緒增;李勝杰;董舜玉;徐彬;;寄售模式在電力營銷類物資需求管理中的應(yīng)用[J];中外企業(yè)家;2019年32期

4 胡世廣;王琦;;改進(jìn)灰色預(yù)測模型在熱電廠熱負(fù)荷預(yù)測中的應(yīng)用[J];電力學(xué)報;2019年06期

5 張羽;殷雋;;寄售模式在電力營銷類物資需求管理中的應(yīng)用[J];合作經(jīng)濟(jì)與科技;2017年16期

6 夏通;周艷梅;付健藝;吳雨濤;;數(shù)據(jù)采樣技術(shù)在95598故障工單預(yù)測模型中的應(yīng)用[J];通訊世界;2020年01期

7 宋良才;索貴龍;胡軍濤;竇艷梅;崔志永;;基于注意力機(jī)制的Encoder-Decoder光伏發(fā)電預(yù)測模型[J];計算機(jī)與現(xiàn)代化;2020年09期

8 李偉,韓力;組合灰色預(yù)測模型在電力負(fù)荷預(yù)測中的應(yīng)用[J];重慶大學(xué)學(xué)報(自然科學(xué)版);2004年01期

9 張步涵;鄭琢非;;灰色預(yù)測模型在農(nóng)電規(guī)劃中的應(yīng)用[J];水電能源科學(xué);1993年02期

10 李科;李秋燕;張藝涵;郭新志;;基于模糊信息�；碾娏ο到y(tǒng)中光伏出力預(yù)測模型分析[J];電網(wǎng)與清潔能源;2020年05期

相關(guān)博士學(xué)位論文 前2條

1 王大鵬;灰色預(yù)測模型及中長期電力負(fù)荷預(yù)測應(yīng)用研究[D];華中科技大學(xué);2013年

2 解佗;基于分解集成預(yù)測模型框架及多目標(biāo)對沖機(jī)制的水電—光伏聯(lián)合調(diào)度研究[D];西安理工大學(xué);2020年

相關(guān)碩士學(xué)位論文 前10條

1 楊顏潔;電網(wǎng)關(guān)鍵物資采購價格的預(yù)測模型[D];重慶大學(xué);2019年

2 鄭強(qiáng);基于深度學(xué)習(xí)的光伏發(fā)電量預(yù)測模型研究[D];華北電力大學(xué);2019年

3 馬利潔;Spark框架下基于變量預(yù)測模型的變壓器故障的并行化診斷[D];華北電力大學(xué);2019年

4 李宜倫;基于混合預(yù)測的光伏功率預(yù)測方案設(shè)計與研究[D];沈陽工程學(xué)院;2019年

5 張儉;基于深度學(xué)習(xí)的風(fēng)功率預(yù)測模型的研究[D];北京交通大學(xué);2019年

6 黃偉;基于組合算法的巴拉素風(fēng)電場多尺度功率預(yù)測模型研究[D];西安科技大學(xué);2019年

7 郭佳;基于機(jī)器學(xué)習(xí)算法的企業(yè)用電預(yù)測模型研究[D];重慶郵電大學(xué);2019年

8 郭彥男;基于大數(shù)據(jù)技術(shù)的智能電網(wǎng)企業(yè)日用電量預(yù)測模型實(shí)現(xiàn)[D];廣東工業(yè)大學(xué);2019年

9 MUGISHA THEOPHILE;[D];廈門理工學(xué)院;2019年

10 張志偉;基于高滲透率配電網(wǎng)的分布式能源出力預(yù)測研究[D];內(nèi)蒙古科技大學(xué);2019年

本文編號：2835713