精准的电力负荷预测有利于保障电力系统的安全、经济运行。针对现行预测算法存在的预测准确度低、模型耗时长等问题,提出一种基于随机森林(random forest,RF)算法和粗糙集理论(rough set theory,RST)的改进型深度学习(deeplearning, DL...精准的电力负荷预测有利于保障电力系统的安全、经济运行。针对现行预测算法存在的预测准确度低、模型耗时长等问题,提出一种基于随机森林(random forest,RF)算法和粗糙集理论(rough set theory,RST)的改进型深度学习(deeplearning, DL)短期负荷预测模型(RF-DL-RST)。该模型首先基于历史数据,利用随机森林算法提取影响负荷预测的关键特征量;然后将关键特征量和历史负荷值作为深度神经网络的输入、输出项进行训练,并通过粗糙集理论修正预测结果。最后,通过算例进行仿真验证,结果表明,该模型的预测准确度比单一的深度学习模型及不进行预测修正的模型更高。展开更多
目的基于深度学习算法开发和验证可评估肝细胞癌(hepatocellular carcinoma,HCC)患者预后的预测模型,并评估其价值。方法选择2011年1月—2015年12月美国国立癌症研究所的监测、流行病学和最终结果(Surveillance,Epidemiology and Result...目的基于深度学习算法开发和验证可评估肝细胞癌(hepatocellular carcinoma,HCC)患者预后的预测模型,并评估其价值。方法选择2011年1月—2015年12月美国国立癌症研究所的监测、流行病学和最终结果(Surveillance,Epidemiology and Results,SEER)数据库中经病理确诊的HCC患者为训练队列用于构建模型,选择同期在本院经病理确诊的HCC患者为外部验证队列用于评估模型。主要预测结局为1、3、5年总生存率。分别使用深度学习算法DeepSurv、随机生存森林(RFS)、Cox比例风险回归开发模型,使用C-index评价模型的区分度,一致性曲线评估模型的校准度,log-rank检验评估危险分层能力。结果训练队列9730例患者和外部验证队列405例患者被纳入分析。在训练队列中,DeepSurv算法1、3、5年的C-index分别为0.85(95%CI:0.80~0.90)、0.82(95%CI:0.77~0.89)、0.80(95%CI:0.73~0.87),在外部验证队列中分别为0.83(95%CI:0.78~0.87)、0.79(95%CI:0.74~0.83)、0.72(95%CI:0.67~0.77)。无论在训练队列还是外部验证队列中,DeepSurv算法的C-index和校准度均优于RFS、Cox回归和TNM分期(均P<0.05);log-rank检验显示,DeepSurv算法具有良好的危险分层能力(P<0.001)。结论基于深度学习算法DeepSurv开发的预测模型可有效预测HCC患者死亡率,且优于常规的算法和预后评价指标。展开更多
文摘精准的电力负荷预测有利于保障电力系统的安全、经济运行。针对现行预测算法存在的预测准确度低、模型耗时长等问题,提出一种基于随机森林(random forest,RF)算法和粗糙集理论(rough set theory,RST)的改进型深度学习(deeplearning, DL)短期负荷预测模型(RF-DL-RST)。该模型首先基于历史数据,利用随机森林算法提取影响负荷预测的关键特征量;然后将关键特征量和历史负荷值作为深度神经网络的输入、输出项进行训练,并通过粗糙集理论修正预测结果。最后,通过算例进行仿真验证,结果表明,该模型的预测准确度比单一的深度学习模型及不进行预测修正的模型更高。
文摘目的基于深度学习算法开发和验证可评估肝细胞癌(hepatocellular carcinoma,HCC)患者预后的预测模型,并评估其价值。方法选择2011年1月—2015年12月美国国立癌症研究所的监测、流行病学和最终结果(Surveillance,Epidemiology and Results,SEER)数据库中经病理确诊的HCC患者为训练队列用于构建模型,选择同期在本院经病理确诊的HCC患者为外部验证队列用于评估模型。主要预测结局为1、3、5年总生存率。分别使用深度学习算法DeepSurv、随机生存森林(RFS)、Cox比例风险回归开发模型,使用C-index评价模型的区分度,一致性曲线评估模型的校准度,log-rank检验评估危险分层能力。结果训练队列9730例患者和外部验证队列405例患者被纳入分析。在训练队列中,DeepSurv算法1、3、5年的C-index分别为0.85(95%CI:0.80~0.90)、0.82(95%CI:0.77~0.89)、0.80(95%CI:0.73~0.87),在外部验证队列中分别为0.83(95%CI:0.78~0.87)、0.79(95%CI:0.74~0.83)、0.72(95%CI:0.67~0.77)。无论在训练队列还是外部验证队列中,DeepSurv算法的C-index和校准度均优于RFS、Cox回归和TNM分期(均P<0.05);log-rank检验显示,DeepSurv算法具有良好的危险分层能力(P<0.001)。结论基于深度学习算法DeepSurv开发的预测模型可有效预测HCC患者死亡率,且优于常规的算法和预后评价指标。
