Исследователи предлагают кластеризационный последовательный отбор признаков (CSFS), новый обёрточный метод на основе кластеризации для автоматического и эффективного отбора признаков в конвейерах прогнозирования возобновляемой энергии. Этот подход решает проблему отсутствия систематических методов для выбора входных признаков из большого количества доступных переменных мониторинга и окружающей среды.

  • CSFS не зависит от модели и предназначен для повышения надёжности при моделировании кривой мощности ветрогенератора и прогнозировании мощности фотоэлектрических систем.
  • Для обеспечения воспроизводимости и повторного использования предоставлена реализация с открытым исходным кодом на GitHub.
  • Эмпирическая оценка сравнивает CSFS с последовательным отбором признаков на основе обёрток (SFS), методами фильтра и встроенной важности признаков Random Forest.
  • Методы на основе обёрток, как правило, обеспечивают более качественный отбор признаков по сравнению с другими техниками.
  • CSFS достигает предсказательной производительности, сопоставимой с SFS, при этом снижая вычислительные затраты в среднем на 21%.

Исследование подчёркивает, что методы на основе обёрток обеспечивают превосходное качество отбора признаков, а CSFS предоставляет более эффективную альтернативу существующим последовательным подходам без ущерба для точности.