Les chercheurs proposent Cluster-based Sequential Feature Selection (CSFS), une nouvelle méthode wrapper basée sur le clustering pour la sélection automatique et efficace des caractéristiques dans les pipelines de prédiction des énergies renouvelables. Cette approche répond au manque de méthodes systématiques pour sélectionner les caractéristiques d'entrée parmi le grand nombre de variables de surveillance et environnementales disponibles.
- CSFS est indépendant du modèle et conçu pour améliorer la fiabilité dans la modélisation de la courbe de puissance des éoliennes et la prédiction de la puissance photovoltaïque.
- Une implémentation open source est fournie sur GitHub pour soutenir la reproductibilité et la réutilisation.
- L'évaluation empirique compare CSFS à la sélection séquentielle de caractéristiques basée sur un wrapper (SFS), aux méthodes basées sur des filtres, et à l'importance intégrée des caractéristiques de Random Forest.
- Les méthodes basées sur un wrapper fournissent généralement des sélections de caractéristiques performantes par rapport aux autres techniques.
- CSFS atteint une performance prédictive comparable à celle de SFS tout en réduisant le coût computationnel d'une moyenne de 21 %.
L'étude met en évidence que les méthodes basées sur un wrapper offrent une performance supérieure de sélection des caractéristiques, CSFS fournissant une alternative plus efficace aux approches séquentielles existantes sans sacrifier la précision.