[发明专利]一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质

权利要求书

1.一种基于Bagging抽样及改进随机森林算法的负荷预测方法，其特征在于，包括：

获取历史负荷值；

将历史负荷值输入到构建好的随机森林模型中，得到预测结果；

所述随机森林模型通过以下方法进行构建：

获取原始样本集，利用Bagging算法从原始样本集中随机不放回抽样生成多个训练集；

训练每个训练集得到对应的CART决策树；

将所有CART决策树集合在一起构成随机森林模型。

2.根据权利要求1所述的一种基于Bagging抽样及改进随机森林算法的负荷预测方法，其特征在于，所述历史负荷值包括预测日前一天和七天前的各96点负荷值以及环境数据。

3.根据权利要求1所述的一种基于Bagging抽样及改进随机森林算法的负荷预测方法，其特征在于，所述利用Bagging算法从原始样本集中随机不放回抽样生成多个训练集，包括：

采用Bootstrap方法，随机从原始样本集中抽选N个训练样本(d1，d2，...，dN)，执行n次循环，得到n个训练集，并且每个训练集互不相干。

4.根据权利要求1所述的一种基于Bagging抽样及改进随机森林算法的负荷预测方法，其特征在于，所述训练每个训练集得到对应的CART决策树，包括：

利用CART算法，把训练集划分为两个子集，不断递归分割使得生成的每个非叶子结点都有两个分支，在节点分割的时候按照Gini指数最小原则进行分割，每个节点分割的Gini指数的表达式为：

其中，D是分割前的集合，D₁和D₂是分割后的两个子集，Gini(D₁)是D₁的Gini指数，Gini(D₂)是D₂的Gini指数，Gini_split(D)是D的Gini指数。

5.根据权利要求1所述的一种基于Bagging抽样及改进随机森林算法的负荷预测方法，其特征在于，在构建好的随机森林模型中，通过多棵CART决策树对历史负荷值进行测试分类，并根据预设比例得到最终的分类，从而得到预测结果。

6.根据权利要求1所述的一种基于Bagging抽样及改进随机森林算法的负荷预测方法，其特征在于，在构建随机森林模型的过程中，还包括设置参数的步骤：

在随机森林模型中设置特征评价标准、最大弱学习器个数、最大特征数、决策树最大深度、内部节点再划分所需最小样本数、叶子节点最少样本数。

7.一种基于Bagging抽样及改进随机森林算法的负荷预测系统，其特征在于，包括：

数据获取模块：用于获取历史负荷值；

负荷预测模块：用于将历史负荷值输入到构建好的随机森林模型中，得到预测结果；

还包括模型构建单元，用于通过以下方法构建随机森林模型：

获取原始样本集，利用Bagging算法从原始样本集中随机不放回抽样生成多个训练集；

训练每个训练集得到对应的CART决策树；

将所有CART决策树集合在一起构成随机森林模型。

8.一种基于Bagging抽样及改进随机森林算法的负荷预测装置，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1至6任一项所述方法的步骤。

9.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至6任一项所述方法的步骤。