基于陆地表面模型的预测方法进展:LSTM、Gradient Boosting 和前馈神经网络模型的比较研究作为预测状态仿真器
原文中文,约400字,阅读约需1分钟。发表于: 。通过比较三种代理模型的性能,我们发现 LSTM 网络在大陆长期预测方面表现出色,XGB 在各项任务中得分一直高,而 MLP 在实施时间和准确性之间提供了出色的平衡,与完整数值模型相比,这些代理模型显著降低了运行时间,为对陆地表面进行数值实验提供了更快但可靠的替代方案。
本研究使用历史能源数据、占用模式和天气条件,提出了一种基于LSTM模型的建筑能源消耗预测方法。该模型在短期、中期和长期能源预测上比现有模型更准确,具有高R2得分和低MAE。通过严格训练和评估,解决了过拟合和欠拟合问题。该研究为能源预测提供了一种高效、普适和可靠的LSTM模型。