辅导文章
模型描述
1)相似度统计量构造。数据归一化后,利用皮尔森相关系数确定环境因子权重,构造相似日的统计量-相似度。
2)K-means 聚类。根据相似度应用 K-means 聚类法对历史日数据样本聚类,找出合适样本,使得历史日样本被分为若干类。
3)预测日所属类别识别。以相似度最大的类别作为预测日的类别,形成训练样本。
4)ELM 神经网络建模与预测。利用训练样本建立ELM 神经网络模型,利用测试样本对模型进行验证。最后,经过补偿及反归一化过程得出最后预测值。
预测效果
1)相似度统计量构造。数据归一化后,利用皮尔森相关系数确定环境因子权重,构造相似日的统计量-相似度。
2)K-means 聚类。根据相似度应用 K-means 聚类法对历史日数据样本聚类,找出合适样本,使得历史日样本被分为若干类。
3)预测日所属类别识别。以相似度最大的类别作为预测日的类别,形成训练样本。
4)ELM 神经网络建模与预测。利用训练样本建立ELM 神经网络模型,利用测试样本对模型进行验证。最后,经过补偿及反归一化过程得出最后预测值。