摘要：针对传统风功率预测方法通常基于固定时间粒进行研究,但该类方法往往忽略了其他时间粒度对风功率的影响的问题,提出一种基于多粒度时间卷积网络(MGTCN)的超短期风功率预测方法,使用时间卷积网络来挖掘多粒度视角下的风力机数据特征,并设计多粒度特征融合模块来增强模型的鲁棒性,提高风功率预测精度。首先,利用随机森林算法(RF)得到与输出功率相关性较强的部分特征数据;然后,对筛选后的特征数据进行多粒度划分,通过时间卷积网络(TCN)提取各个粒度的独立特征。最后,使用挤压激励网络(SENet)对不同粒度特征进行自适应加权融合,得到最终预测值。采用中国某风场数据进行算例分析,结果表明相较于其他方法,所提方法在24步预测任务和6步预测任务上取得了最佳的预测性能,具有较高的准确性和稳定性。在24步预测任务上归一化均方根误差、归一化平均绝对值误差和决定系数指标分别为0.152、0.108和0.7214,在6步预测任务上各指标分别为0.1027,0.0683和0.8717。

摘要：预测用户对广告或项目的点击率是推荐系统中的关键部分,准确个性化地推荐对提高产品商业价值具有十分重要的作用。因此,提出一种基于重要性的特征组合点击率预测模型(SEAFMDRN),通过利用挤压和激励网络为不同的特征赋予不同的权重,采用注意力机制为二阶特征组合赋予不同的权重,并在深度神经网络中引入深度残差网络来有效提取高阶特征组合。实验结果表明,SEAFMDRN模型在汽车保险预测数据集的预测性能优于其他模型,AUC值有效提升了1.32%~4.47%。