本文利用2016年电工杯负荷数据，结合温度、湿度、降雨量等特征，进行15天前的电力负荷预测。首先处理数据中的缺失值和异常值，然后通过ARMA模型进行周期性数据的平稳性检验和模型定阶。选用ARMA(8,7)模型进行预测，并进行残差检验。同时，构建RBF网络，采用模拟退火算法优化网络参数，最后对比ARMA与RBF的预测效果，显示ARMA预测更优。"
130025746,18158630,使用Keras-YOLO3进行目标检测：安装与实战,"['深度学习', '目标检测', 'Keras', 'Python', '计算机视觉']
本题采用的是2016年电工杯的负荷数据，具有温度、湿度、降雨量等多维特征，目标是求15年前十天的负荷预测数据。
导入数据以后会发现原数据有缺失值如下图所示：
用ismissing函数查找出来并用rmmissing函数删去该行。
接着先把所有数据绘图出来看看趋势
可以发现第一行代表温度的图像中具有很明显的离群值(已达到50℃以上)，显然这属于分析中常见的异常值，所以对其进行异常值处理：利用filloutliers函数可以使用最接近的非离群值对离群值进行填充，不过这里要注意降水量这个特征比较特殊，由于其随机性太大因此不能对其进行离群值检测，否则处理过后会发生异常导致预测偏差性过大。
从图中也很容易看出数据具有很明显的周期性，基本上是以年为周期的趋势较为明显，因此我们将以年为单位对数据进行分析。
在数据标准化以后需要先进行平稳性检验，这里我采用单位根检验中的ADF检验和LMC检验，
[h_adf,p_adf] = adftest(train_output);
[h_lmc,p_lmc] = lmc
最低0.47元/天 解锁文章
扫一扫
671
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
