MichaelYax的博客

预测精度和数据处理是目前光伏发电预估的难点。一方面光伏发电受太阳能影响，具有波动、间歇和较强的随机性，而一般的学习模型的学习能力不足，无法从历史数据中学习到光伏发电量和气象数据间的关系；另一方面，光伏发电功率预测技术多围绕气象条件和历史数据建模，这类数据存在数据不全面、时间滞后性等问题，会存在一定的误差。此外数据处理也是问题的棘手之处。在数据预处理环节，如何确保输入数据的有效性和可信度，如何筛选出重要的特征指标，如何量化分析每种主要因素对预测结果的影响，每一步都非常关键。 本次数据集分为训练集和测试集，由于测试集中没有发电量指标数据，因此本次处理只选择训练数据集，共有样本光伏发电设备采集信息9000条。其中包含21列变量信息，包括光伏板运行状态参数和气象参数。

方法描述部分主要侧重描述本文运用的预测模型，以及其中的框架，同时指出用于评价模型的指标。首先我们根据特征自动化选择的结果，决定选择'gender', "first_affiliate_tracked","first_browser","time_gap","bins","Search_Booking_Gap_2","signup_method_flow","affiliate_channel_provider"作为我们的特征变量。 涉及到：KNN、SVM、DT、Stacking、AdaBoost、GBDT、Random Forest、XGBoost、RNN，同时在评估指标方面指出混淆矩阵、二级指标、三级指标和kappa系数。

该部分涉及特征变量编码、特征相关性分析、训练集测试集拆分、PCA主成分分析、自动化特征选择及K-means聚类分析。

此部分主要对公开的数据进行汇总处理，用图表的形式客观的展现出相关特征变量。并通过适当的修改和填补，完善数据集。 论文的数据来自Kaggle网站的公开比赛，数据可以从以下公开网址获取：https://www.kaggle.com/c/airbnb-recruiting-new-user-bookings/data。此次需要通过数据预测新用户在Airbnb民宿上首次预定的目的地是哪个国家。在下载得到的数据中，一共包含6个子数据集，分别是age_gender_bkts.csv, countries.csv, sample_submission_NDF.csv, session.csv, test_users.csv, train_users_2.csv. 由于在test_users.csv数据中没有目标变量，因此在运用测试集中会从train_users_2.csv中进行训练集和测试集的划分。