【技术实现步骤摘要】
本专利技术属于数据挖掘，具体涉及一种基于梯度增强模糊规则模型的数据预测方法及系统。
技术介绍
1、模糊模型在分析和解决实际问题中起着重要的作用，特别是takagi-sugeno提出基于规则的建模方法后，发展了一种新的研究方法。基于模糊规则的模型被许多研究者用来预测空间中的变量。与传统的线性预测模型相比，它可以处理非线性数据。通过模糊规则模型的结构识别和参数估计，调整输入变量和输出变量之间的关系，提高模型的精度。
2、现有方法中，大多采用模糊聚类算法分析数据特征，即通过构造信息颗粒将空间划分为若干模糊子空间，并在每个模糊子空间中建立局部线性模型，然后以加权形式对局部线性模型进行聚合，形成非线性全局模糊模型。
3、现有的模糊聚类算法，直接将各部分子空间的模型通过加权输出作为系统的预测值，预测精度有待提升。
技术实现思路
1、为了解决现有技术中所存在的上述问题，本专利技术提供了一种基于梯度增强模糊规则模型的数据预测方法及系统。
2、本专利技术要解决的技术问题通...
【技术保护点】
1.一种基于梯度增强模糊规则模型的数据预测方法，其特征在于，包括：
2.根据权利要求1所述的基于梯度增强模糊规则模型的数据预测方法，其特征在于，所述将所述电力参数信息输入预训练的梯度增强模糊规则模型，得到特定区域待预测设备的电力能源消耗数据，包括：
3.根据权利要求1所述的基于梯度增强模糊规则模型的数据预测方法，其特征在于，所述电力参数信息包括：
4.根据权利要求1所述的基于梯度增强模糊规则模型的数据预测方法，其特征在于，所述预训练的梯度增强模糊规则模型的训练过程，包括：
5.根据权利要求4所述的基于梯度增强模糊规则模型...
【技术特征摘要】
1.一种基于梯度增强模糊规则模型的数据预测方法，其特征在于，包括：
2.根据权利要求1所述的基于梯度增强模糊规则模型的数据预测方法，其特征在于，所述将所述电力参数信息输入预训练的梯度增强模糊规则模型，得到特定区域待预测设备的电力能源消耗数据，包括：
3.根据权利要求1所述的基于梯度增强模糊规则模型的数据预测方法，其特征在于，所述电力参数信息包括：
4.根据权利要求1所述的基于梯度增强模糊规则模型的数据预测方法，其特征在于，所述预训练的梯度增强模糊规则模型的训练过程，包括：
5.根据权利要求4所述的基于梯度增强模糊规则模型的数据预测方法，其特征在于，所述当前弱学习器中包括φ个弱子学习器，每个弱学习器的训练过程包括：
6.根据权利要求5所述的基于梯度增强模糊规则模型的数据预测方法，其特征在于，...
【专利技术属性】
技术研发人员：聂朋，于强，李垚垚，袁细国，
申请(专利权)人：西安电子科技大学杭州研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。