《表1 能耗预测结果与模型运行时间》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于非线性特征工程的短期建筑能耗预测方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

根据95组数据集分别在预测模型中的预测结果，对95组CV（RMSE）的平均值进行比较，并且计算每种预测模型在本实验的环境配置下的运行时间，使用95组运行时间的平均值进行对比。结果整理如表1所示:原始数据使用特征工程后，在ANN和GLM预测模型中表现比较好，其中使用CNN特征工程处理后的数据在这两种预测模型中表现最好，但模型收敛速度不如PCA。在XGBoost模型中，无论是线性特征提取还是非线性特征提取，都不如原始数据在预测模型中的表现效果好，这与XGBoost模型的树型结构有关。XGBoost是一种基于CART决策树的集成学习模型，算法原理和线性回归模型、神经网络都有着较大的不同。6种不同的组合模型同基准对比，结果表明95组数据集均得到一个较为准确的预测结果。