.png){kind=icon}
返回
A novel multi-step interval prediction model for uncertain data using iterative lower upper bound estimation method
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ijar.2025.109451.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对于复杂系统，大部分传感器数据存在偏差，导致多步预测结果的精度较低。基于上下界估计（LUBE）方法，本文提出了一种适用于区间输入的多步迭代区间预测模型，该模型不仅保持了原模型的结构简单性，还实现了单步和多步预测点（PP）及预测区间（PI）在不同领域的应用。首先，构建了一种具有区间值输入和输出的迭代LUBE（ILUBE）网络结构。其次，根据该结构，重新定义了一组多步区间性能指标，并提出了一种新的指标线性递减多步预测区间归一化中心偏差（LMPINCD）来衡量预测范围，并将其添加到基于多步覆盖宽度的准则（MCWC）中。最后，由于MCWC是一个非解析函数，采用粒子群优化（PSO）元启发式优化算法来寻找ILUBE模型的最优参数。使用真实风速和电力负荷数据集对模型性能进行评估。实验结果表明，该模型在多步PI方面优于所有其他基准模型，同时在多步PP方面也取得了良好效果。
Keyword:
Multi-step
Prediction interval (PI)
Iterative neural network (NN)
Uncertain data
期刊
IF:
3
论文数:
3.0K
被引数:
5.1K
机构
引用论文
Short-term load forecasting method based on fuzzy time series, seasonality and long memory process
OAAI
OAAI分享收藏An integrated power load point-interval forecasting system based on information entropy and multi-objective optimization.png)
APPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏Neural Network-Based Uncertainty Quantification: A Survey of Methodologies and Applications基于神经网络的不确定性量化: 方法与应用综述IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容