基于最优特征组合改进极限梯度提升的负荷预测

来源：计算机应用研究杂志2021年第9期北京时间：

作者：谷云东,刘浩,

单位：1.新疆财经大学,乌鲁木齐830012；2.华北电力大学数理学院,北京102206；

摘要：为解决常规特征选择方法无法有效度量特征间的非线性相关的局限性，提出基于最优特征组合改进极限梯度提升（extreme gradient boosting，XGBoost）的负荷预测方法。该方法首先计算历史负荷与待预测负荷之间的互信息值（MI），取互信息最大的K个历史负荷特征形成MI滤集；进而从MI滤集取特征归因（SHAP）值最大的前L个特征形成SHAP滤集。通过粒子群优化寻找最优K、L值，建立基于最优特征组合改进极限梯度提升的预测模型（optimal feature combination improved XGBoost，OFCI-XGBoost）。结果表明所提方法的预测误差为1.11%，低于相同策略改进的支持向量机、决策树、岭回归模型，验证了该预测模型的有效性。

关键词：特征选择,特征组合,特征归因值,提升算法,粒子群优化,