研究者らは、風力および太陽光発電の予測における体系的な特徴量選択の欠如に対処するために設計された、新規でモデル非依存のラッパー手法であるクラスターベース逐次特徴量選択（CSFS）を提案する。このアプローチは、再生可能エネルギーパイプラインに対して自動的、効率的、かつ信頼性の高い特徴量選択を提供することを目指している。

  • CSFSは風力タービン電力曲線モデリングおよび太陽光発電予測で評価される。
  • ラッパーベースの逐次特徴量選択（SFS）、フィルターベース手法、ランダムフォレストの埋め込み特徴重要度を含む確立された手法と比較される。
  • 結果は、ラッパーベース手法が一般的により優れた性能の特徴量選択を提供することを示している。
  • CSFSはSFSと同等の予測性能を達成しつつ、計算コストを平均21%削減する。

著者らは、再生可能エネルギー予測タスクにおける再現性と再利用をサポートするために、GitHub上でオープンソース実装を提供している。