为满足对非线性风速序列进行高精度建模的需求,提出了一种基于贝叶斯优化的神经基扩展时间序列分析(Neural Basis Expansion Analysis for Time Series,简称NBEATS)风速预测模型。其中,NBEATS模型是近年发展起来的一种可解释深度学习模...为满足对非线性风速序列进行高精度建模的需求,提出了一种基于贝叶斯优化的神经基扩展时间序列分析(Neural Basis Expansion Analysis for Time Series,简称NBEATS)风速预测模型。其中,NBEATS模型是近年发展起来的一种可解释深度学习模型,用于高效提取时间序列中的趋势、周期性等可解释性成分;贝叶斯优化用于NBEATS模型的结构参数选择。实验结果表明,与主流的LSTM、GRU相比,该模型在预测精度上具有显著优势,在测试集上的MSE降低至0.2371、RMSE降低至0.4869。同时,与WOA-NBEATS、GA-NBEATS、QGA-NBEATS和PSO-NBEATS等四种优化模型进行了对比实验,该模型表现出较快的迭代速度和较高的预测精度。此外,该模型还可有效预测风速的趋势和周期性特征,因此兼具可解释性和有效性。展开更多
文摘为满足对非线性风速序列进行高精度建模的需求,提出了一种基于贝叶斯优化的神经基扩展时间序列分析(Neural Basis Expansion Analysis for Time Series,简称NBEATS)风速预测模型。其中,NBEATS模型是近年发展起来的一种可解释深度学习模型,用于高效提取时间序列中的趋势、周期性等可解释性成分;贝叶斯优化用于NBEATS模型的结构参数选择。实验结果表明,与主流的LSTM、GRU相比,该模型在预测精度上具有显著优势,在测试集上的MSE降低至0.2371、RMSE降低至0.4869。同时,与WOA-NBEATS、GA-NBEATS、QGA-NBEATS和PSO-NBEATS等四种优化模型进行了对比实验,该模型表现出较快的迭代速度和较高的预测精度。此外,该模型还可有效预测风速的趋势和周期性特征,因此兼具可解释性和有效性。
