高 陽，謝麗蓉，葉家豪，喬倜儻，代 兵

（新疆大學(xué)電氣工程學(xué)院，新疆烏魯木齊 830047）

0 引言

隨著全球化新能源的飛速發(fā)展[1-3]，具有可持續(xù)性、清潔性、儲(chǔ)量大的風(fēng)能被作為主要的新能源。但風(fēng)資源的不穩(wěn)定性制約了風(fēng)能利用率，同時(shí)，能否準(zhǔn)確預(yù)測風(fēng)電功率對(duì)電網(wǎng)的調(diào)度計(jì)劃和風(fēng)機(jī)的安全運(yùn)行尤為重要[4-7]。

傳統(tǒng)的風(fēng)電功率預(yù)測方法大多為物理方法[8]和統(tǒng)計(jì)方法[9]。其中，統(tǒng)計(jì)方法是根據(jù)歷史數(shù)據(jù)規(guī)律預(yù)測未來數(shù)據(jù)的發(fā)展趨勢，方法簡單易實(shí)現(xiàn)且預(yù)測效果較好，但目前集中于研究不同模型的優(yōu)劣性，集合多個(gè)相異模型的亮點(diǎn)，形成組合預(yù)測模型[10-13]。與傳統(tǒng)預(yù)測模型相比，組合預(yù)測能夠達(dá)到更好的預(yù)測效果，并且有更強(qiáng)的適應(yīng)能力[14]。文獻(xiàn)[15]用經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）將信號(hào)分成信號(hào)分量（Intrinsic Mode Functions，IMF），搭建模擬退火（Simulated Annealing，SA）優(yōu)化的支持向量回歸預(yù)測模型。文獻(xiàn)[16]用集合經(jīng)驗(yàn)?zāi)B(tài)將風(fēng)電功率序列分成IMF 序列采用鯨魚算法（Whale Optimization Algorithm，WOA）優(yōu)化最小二乘支持向量機(jī)中的超參數(shù)，構(gòu)建預(yù)測模型。文獻(xiàn)[17]用粒子群算法對(duì)極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）參數(shù)進(jìn)行尋優(yōu)，搭建預(yù)測模型，對(duì)風(fēng)速進(jìn)行預(yù)測。文獻(xiàn)[18]采用互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解。在極限學(xué)習(xí)機(jī)的基礎(chǔ)上，用改進(jìn)的布谷鳥算法矯正模型的超參數(shù)后，預(yù)測處理后的風(fēng)速序列。這些文獻(xiàn)都是針對(duì)時(shí)間序列的復(fù)雜性先分解，針對(duì)單個(gè)模型的隨機(jī)參數(shù)再尋優(yōu)，最后預(yù)測。然而不同算法及不同的組合模型有其優(yōu)缺點(diǎn)，如EMD 雖然運(yùn)算速率快，但是存在分量混疊現(xiàn)象；SA 運(yùn)行時(shí)間短，但全局尋優(yōu)性差且易受參數(shù)影響；WOA 優(yōu)化速度慢，且不易跳出局部極值等問題。同時(shí)大部分組合模型未充分考慮誤差來源，繼而未進(jìn)行后處理去修正預(yù)測值，造成預(yù)測不準(zhǔn)確問題[19]。

針對(duì)這些存在的問題，本文建立了一種自適應(yīng)提升及預(yù)測誤差修正的風(fēng)電功率超短期預(yù)測方法。首先，借助完全自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)B(tài)分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN）把非平穩(wěn)的功率序列處理成多個(gè)平穩(wěn)子序列，用精細(xì)復(fù)合多尺度熵（Refined Composite Multi-Scale Entropy，RCMSE）重構(gòu)子序列，提高預(yù)測效率。其次，引入搜索精度高、收斂速度快、穩(wěn)定性好，并且可避免陷入局部最優(yōu)的ESSHHO 去優(yōu)化ELM 參數(shù)，在此基礎(chǔ)上使用AdaBoost，提高預(yù)測精度。最后，基于歷史訓(xùn)練誤差去預(yù)測測試集誤差，從而修正預(yù)測值，再次提升預(yù)測精度。經(jīng)過驗(yàn)證分析，本文所提預(yù)測方法具有更好的預(yù)測效果。

1 風(fēng)電功率數(shù)據(jù)的分解與重構(gòu)

1.1 CEEMDAN算法

CEEMDAN 是用于處理非平穩(wěn)信號(hào)的一種算法，是在EMD 算法上的改進(jìn)算法[20]。

定義Ej(·)為EMD 分解過程中第j個(gè)標(biāo)準(zhǔn)正態(tài)分布的高斯白噪音；ε0為每次EMD 分解時(shí)加入噪音的標(biāo)準(zhǔn)差。CEEMDAN 算法分解的計(jì)算步驟為：

1）利用EMD 對(duì)信號(hào)f(t)+ε0vi(t) 進(jìn)行R次分解，利用多次相加再均值后消除加入的噪音，即：

2）第1 次分解后的殘余量為：

3）利用EMD 算法對(duì)r1(t)+ε1E1(vi(t))進(jìn)行R次分解之后，通過計(jì)算平均值，得到第2 個(gè)信號(hào)分量，即：

4）對(duì)于k=2,···,K，計(jì)算第k個(gè)殘余信號(hào)，即：

5）重復(fù)步驟3）的計(jì)算過程，得到第k+1個(gè)信號(hào)分量，即：

6）重復(fù)4）和5）的分解過程，一直分解到殘余分量達(dá)到終止條件。則最后的殘余量獲取式為：

原始信號(hào)可由分解信號(hào)和最后的殘余量得，即：

1.2 RCMSE方法

RCMSE 是一種更加有效衡量序列復(fù)雜性的度量方法[21]。該方法不僅能夠克服其他多尺度熵的未定義熵及熵值不準(zhǔn)確問題，而且得到的熵值穩(wěn)定性更好。其主要步驟如下。

1）對(duì)于風(fēng)電功率時(shí)間序列x={x1,x2,···,xn}，其第τ個(gè)尺寸粗粒過程為：

式中：m為嵌入維數(shù)；r為條件閾值。

2 風(fēng)電功率預(yù)測模型建模

2.1 EESHHO算法

EESHHO 是一種基于哈里斯鷹（Harris Hawks Optimization，HHO）改進(jìn)的優(yōu)化算法[22]。該算法將精英進(jìn)化策略（Elite Evolution Strategy，EES）集成到HHO 的開發(fā)階段，提高了HHO 的局部和全局的挖掘能力以及收斂速度。

EESHHO 算法步驟如下：

1）初始化哈里斯鷹優(yōu)化算法的種群數(shù)量N，最大尋優(yōu)次數(shù)T，哈里斯鷹的位置x，兔子的位置Xrabbit1，Xrabbit2，Xrabbit3和能量E0。

2）計(jì)算初始哈里斯鷹的適應(yīng)度值，確定最優(yōu)哈里斯鷹個(gè)體。

3）根據(jù)式（10）計(jì)算兔子的自身能量E，如果E大于1，哈里斯鷹處于探索階段，用探索階段2 種策略更新哈里斯鷹位置，若E小于1，哈里斯鷹處于開發(fā)階段，用開發(fā)階段的4 種開發(fā)策略更新哈里斯鷹位置。

為了模擬從探索到開發(fā)的過渡，兔子的能量被建模為：

式中：t為當(dāng)前的迭代次數(shù)；T為最大的尋優(yōu)次數(shù)；E0為獵物初始狀態(tài)的能量。

4）進(jìn)行迭代，重復(fù)2）和3），不斷地更新最佳哈里斯鷹的位置，當(dāng)尋優(yōu)次數(shù)達(dá)到最大尋優(yōu)次數(shù)T時(shí)，不再迭代尋優(yōu)，此時(shí)確定適應(yīng)度最佳的哈里斯鷹及其位置就是優(yōu)化的最佳結(jié)果。

2.2 ELM模型

采用梯度下降法設(shè)置神經(jīng)網(wǎng)絡(luò)的超參數(shù)，具有學(xué)習(xí)速率緩慢和極難跳出局部最優(yōu)的缺點(diǎn)，基于此類問題文獻(xiàn)[23]提出ELM。該模型在保留泛化性的前提下減少了模型參數(shù)選擇的計(jì)算量。

假設(shè)有N個(gè)樣本集(Xi,ti)∈(Rn,Rm),i=1,2,...,N，其中Xi=[xi1,xi2,...,xin]T，ti=[ti1,ti2,...,tim]T，n為輸入維度，m為輸出維度。對(duì)于單隱含層網(wǎng)絡(luò)L個(gè)隱含層節(jié)點(diǎn)可表示為：

式中：αi為輸出權(quán)值；h(x)為激活函數(shù)；Wj為輸入權(quán)值；bj為隱含層單元閾值。

當(dāng)輸出無誤差時(shí)，則有：

矩陣形式表達(dá)為：

式中：H為隱含層節(jié)點(diǎn)的輸出；B為輸出權(quán)值；T為期望輸出。

2.3 自適應(yīng)提升算法

Adaboost 算法是集成算法的一種，其主體思路是多個(gè)“弱基學(xué)習(xí)器”通過集成組合成“強(qiáng)學(xué)習(xí)器”，從而提升其學(xué)習(xí)能力。Adaboost 在主體思路下通過有側(cè)重的學(xué)習(xí)來進(jìn)一步加強(qiáng)學(xué)習(xí)能力。側(cè)重表現(xiàn)在關(guān)注錯(cuò)誤率高的樣本，在每次迭代中給錯(cuò)誤率高的樣本賦于更高的權(quán)重，加強(qiáng)對(duì)這些錯(cuò)誤率高的樣本的學(xué)習(xí)[24]。算法的學(xué)習(xí)過程如下：

1）把樣本數(shù)的平均值初始化為訓(xùn)練數(shù)據(jù)的權(quán)值Wt(i)。

式中：G為訓(xùn)練樣本數(shù)。

2）弱基學(xué)習(xí)器預(yù)測。通過基學(xué)習(xí)器對(duì)賦予權(quán)重的訓(xùn)練數(shù)據(jù)訓(xùn)練并預(yù)測，由此可以得到弱基學(xué)習(xí)器的預(yù)測誤差et。

式中：q為弱預(yù)測器個(gè)數(shù)。

3）弱預(yù)測器得權(quán)重更新。根據(jù)式（16）迭算訓(xùn)練樣本的權(quán)值，調(diào)整誤差較大的樣本權(quán)值，使下次能夠得到充分地訓(xùn)練。

式中：υ為誤差閾值。

4）弱預(yù)測器的權(quán)重計(jì)算。根據(jù)式（17）更新弱預(yù)測器的權(quán)值at。

式中：e(t)為弱預(yù)測器的預(yù)測誤差。

5）強(qiáng)預(yù)測器預(yù)測。采用訓(xùn)練數(shù)據(jù)訓(xùn)練學(xué)習(xí)Q次結(jié)束。在用弱預(yù)測器得出測試集的數(shù)據(jù)后，根據(jù)式（18）計(jì)算強(qiáng)預(yù)測器預(yù)測值Y。

式中：y(t)為t時(shí)刻弱預(yù)測器預(yù)測值。

2.4 EESHHO-ELM-AdaBoost建模流程

ELM 雖然學(xué)習(xí)速度快，但其輸入層和隱含層權(quán)閾值具有隨機(jī)性，這種隨機(jī)性會(huì)造成ELM 訓(xùn)練時(shí)間延長，導(dǎo)致預(yù)測結(jié)果不精確。因此利用EESHHO 對(duì)ELM 參數(shù)尋優(yōu)，能提升ELM 的預(yù)測精度。同時(shí)引入AdaBoost 進(jìn)一步提高預(yù)測精度，提升ELM 的穩(wěn)定性。建模過程如圖1 所示。

圖1 EESHHO-ELM-AdaBoost算法流程圖Fig.1 EESHHO-ELM-AdaBoost algorithm flow chart

2.5 預(yù)測誤差修正

本文在充分考慮風(fēng)電場數(shù)據(jù)的不完備性和模型本身的局限性下[25]，建立一種基于訓(xùn)練集誤差去預(yù)測測試集誤差修正預(yù)測值的策略。所提策略的預(yù)測修正過程為：（1）風(fēng)電功率預(yù)測。用EESHHOELM-AdaBoost 對(duì)數(shù)據(jù)集訓(xùn)練預(yù)測得到訓(xùn)練集誤差Pe和測試集預(yù)測值Pb；（2）誤差預(yù)測。用模型學(xué)習(xí)訓(xùn)練集的誤差特性，然后用學(xué)習(xí)好的模型預(yù)測測試集的誤差序列，得到測試集誤差的預(yù)測值p′e；（3）計(jì)算模型的組合預(yù)測值。組合模型的預(yù)測值P為測試集的預(yù)測值和誤差的預(yù)測值之和，即

2.6 自適應(yīng)提升及預(yù)測誤差修正模型的建模

自適應(yīng)提升及預(yù)測誤差修正模型的建模主要流程如下：

1）對(duì)復(fù)雜的原始風(fēng)電功率時(shí)間序列整理并標(biāo)準(zhǔn)化處理。

2）使用CEEMDAN 有效分解風(fēng)電功率時(shí)間序列，得到本時(shí)序分量IMF和殘差量。

3）用RCMSE 方法計(jì)算熵值，根據(jù)近似熵值重構(gòu)成新IMF。

4）采用EESHHO 算法優(yōu)化ELM 的權(quán)值和閾值，同時(shí)使用AdaBoost 集成算法把EESHHO-ELM 弱預(yù)測器集合成強(qiáng)預(yù)測器。然后預(yù)測每個(gè)新分量。

5）整合分量的預(yù)測值。

6）用學(xué)習(xí)完訓(xùn)練集誤差的EESHHO-ELMAdaBoost 模型預(yù)測驗(yàn)證集的誤差，從而修正預(yù)測值，得到最終的預(yù)測值。

自適應(yīng)提升及預(yù)測誤差修正模型的建模流程如圖2 所示。

圖2 基于誤差修正的EESHHO-ELM-AdaBoost預(yù)測流程圖Fig.2 Prediction flow chart of EESHHO-ELMAdaBoost based on error correction

3 實(shí)例仿真

本文所用的實(shí)驗(yàn)驗(yàn)證數(shù)據(jù)來自西北地區(qū)某風(fēng)電場，從中截取2017 年1 月1 日到1 月20 日1 832組數(shù)據(jù)做樣本，每隔15 min 采樣1 次，共計(jì)1 832個(gè)采樣點(diǎn)，其中前1 800 個(gè)當(dāng)作模型的訓(xùn)練集，剩余的為測試集。天氣數(shù)據(jù)和歷史功率作為預(yù)測網(wǎng)絡(luò)的輸入層，風(fēng)電功率作為預(yù)測網(wǎng)絡(luò)的輸出。風(fēng)電功率時(shí)序曲線如圖3 所示。

圖3 風(fēng)電場功率時(shí)序圖Fig.3 Wind fam power time series

仿真測試中，EESHHO-ELM-AdaBoost 預(yù)測模型的參數(shù)設(shè)定為：種群規(guī)模N=30；最大迭代次數(shù)T=500；ELM 輸入層為2；隱含層節(jié)點(diǎn)個(gè)數(shù)為8；輸出層為1；Sigmod 函數(shù)作為激活函數(shù)。AdaBoost 弱學(xué)習(xí)器個(gè)數(shù)20，誤差閾值1.5。

3.1 風(fēng)電功率數(shù)據(jù)的處理和分析

對(duì)復(fù)雜的風(fēng)電功率時(shí)間序列采用CEEMDAN分解，降低復(fù)雜度，提高平穩(wěn)性。CEEMDAN 的噪音組數(shù)、噪聲標(biāo)準(zhǔn)差和迭代次數(shù)分別取50，0.05 和100。風(fēng)電功率自適應(yīng)分解結(jié)果如圖4 所示。

圖4 CEEMDAN自適應(yīng)分解結(jié)果Fig.4 CEEMDAN adaptive decomposition result

對(duì)分解的IMF分量，用RCMSE 度量其復(fù)雜度，從而有效重構(gòu)分量，提升預(yù)測效率及輸入特征質(zhì)量。在計(jì)算MRCSE過程中，嵌入維數(shù)、條件閾值和時(shí)滯分別取2，0.1std(IMFi)和1。每個(gè)分量根據(jù)近似MRCSE值重構(gòu)分量結(jié)果如圖5 所示。

由圖5 可知，各分量的MRCSE值主要分布在3.5，2.1，1.2，0.5，0.1 這5 個(gè)值附近，為此，重構(gòu)成5 個(gè)新分 量，F(xiàn)1=IMF1-IMF3，F(xiàn)2=IMF2，F(xiàn)3=IMF4，F(xiàn)4=IMF5～I(xiàn)MF6，F(xiàn)5=IMF7～I(xiàn)MF11?？梢詼p少模態(tài)分量和提高預(yù)測效率。

圖5 近似MRCSE值重構(gòu)圖Fig.5 Reconstructed graph of approximateMRCSE values

3.2 風(fēng)電功率的預(yù)測實(shí)驗(yàn)

為了驗(yàn)證基礎(chǔ)模型ELM 的有效性，分析對(duì)比了單一模型BP，SVR 和ELM 的預(yù)測效果。預(yù)測結(jié)果對(duì)比如圖6 所示。

圖6 單一模型預(yù)測結(jié)果對(duì)比圖Fig.6 Comparison chart of single model prediction results

為了更好地對(duì)比驗(yàn)證模型的精確度，使用絕對(duì)平均誤差（Mean Absoulte Error，MAE）（量值為EMA）和均方根誤差（Root Mean Square Error，RMSE）（量值為ERMS）來衡量預(yù)測模型的預(yù)測精度。

式中：et為t時(shí)刻預(yù)測的絕對(duì)誤差值；m為預(yù)測采樣樣本個(gè)數(shù)。

計(jì)算BP，SVR，ELM 3 種單一模型的EMA和ERMS結(jié)果，如表1 所示。

表1 單一模型的EMA和ERMS值Table 1 EMA and ERMS of single model

由圖6 和表1 可知，ELM 的預(yù)測曲線更靠近真實(shí)序列，其EMA和ERMS分別是1.384 2 和1.707 0，相比于BP 和SVR 分別提高了13.25%，14.58%和17.38%，29.26%。因此，采用ELM 作為基礎(chǔ)預(yù)測模型。

分析3 種優(yōu)化算法AOA，PSO 和EESHHO 優(yōu)化ELM 權(quán)值和閾值后的預(yù)測效果，預(yù)測效果對(duì)比如圖7 所示。

圖7 優(yōu)化模型預(yù)測結(jié)果對(duì)比圖Fig.7 Comparison chart of optimization model prediction results

分別計(jì)算AOA-ELM，PSO-ELM 和EESHHOELM 的評(píng)價(jià)指標(biāo)EMA和ERMS值，如表2 所示。

表2 優(yōu)化模型的EMA和ERMS值Table 2 EMA and ERMS of optimized model

由圖7 和表2 可知，EESSHHO-ElM 整體精度較高，整體偏離程度較低，相比于AOA-ELM 和PSO-ELM 來說，在EMA和ERMS上分別提升了3.98%，7.05%和1.07%，1.81%。由此說明，EESHHO 優(yōu)化的ELM 預(yù)測效果更好。

分析對(duì)比4 個(gè)預(yù)測模型的預(yù)測效果來驗(yàn)證CEEMDAN 分解和AdaBoost 集成的有效性，預(yù)測效果如圖8 所示。

圖8 模型預(yù)測結(jié)果對(duì)比圖Fig.8 Comparison chart of prediction results

4 個(gè)模型分別是模型ELM、模型EESHHOELM、模型 EESHHO-ELM-AdaBoost 和模型CEEMDAN-EESHHO-ELM-AdaBoost。

分別計(jì)算ELM，EESHHO-ELM，EESHHOELM-AdaBoost 和 CEEMDAN-EESHHO-ELMAdaBoost 的評(píng)價(jià)指標(biāo)EMA和ERMS值如表3 所示。

表3 不同組合模型的EMA和ERMS值Table 3 EMA and ERMS of different combined model

由圖8 和表3 可知，CEEMDAN-EESHHOELM-AdaBoost 預(yù)測效果更佳。在優(yōu)化預(yù)測模型EESHHO-ELM 上引入AdaBoost 集成思想，EMA和ERMS分別提升了16.77%和27.98%。在優(yōu)化集成模型 EESHHO-ELM-AdaBoost 的基礎(chǔ)上加入CEEMDAN 分解，EMA和ERMS分別提升了18.27%和12.61%，達(dá)到0.781 8 和1.047 9。因此，驗(yàn)證了加入AdaBoost 和CEEMDAN 能夠有效提高預(yù)測精度。

利用訓(xùn)練集的訓(xùn)練相對(duì)誤差序列去預(yù)測測試集的相對(duì)誤差序列，用來修正模型的初始預(yù)測值，更進(jìn)一步提升模型的預(yù)測效果。誤差修正預(yù)測結(jié)果對(duì)比如圖9 所示。

圖9 誤差修正預(yù)測結(jié)果對(duì)比圖Fig.9 Error correction prediction results comparison chart

計(jì)算對(duì)比分析修正之前和修正之后的EMA和ERMS值。修正之前和修正之后的EMA和ERMS值如表4 所示。

由圖9 和表4 可知，與未修正的預(yù)測模型相比，修正后的預(yù)測模型達(dá)到了更高的預(yù)測精度。EMA和ERMS分別提高了10.1%和8.59%，由此可知，根據(jù)訓(xùn)練集訓(xùn)練誤差去預(yù)測測試集誤差從而修正預(yù)測值能夠有效提高預(yù)測精度。

表4 誤差修正模型的EMA和ERMS值Table 4 EMA and ERMS of error correction models

為進(jìn)一步測試本文所提模型應(yīng)對(duì)非平穩(wěn)數(shù)據(jù)的預(yù)測性能，增加預(yù)測時(shí)間尺度。對(duì)比了以ELM 為基礎(chǔ)，逐層引入EESHHO 優(yōu)化、AdaBoost，CEEMDAN分解和誤差修正5 種模型的預(yù)測結(jié)果如圖10所示。

圖10 5種模型預(yù)測結(jié)果對(duì)比圖Fig.10 Comparison of prediction results of five models

從圖10 可知，CEEMDAN-EESHHO-ELMAdaBoost+修正的預(yù)測曲線更接近真實(shí)功率曲線。為了更加清楚預(yù)測性能提升程度，分別計(jì)算5 種預(yù)測模型的評(píng)價(jià)指標(biāo)EMA和ERMS的值，如表5 所示。

表5 5種預(yù)測模型的EMA和ERMS值Table 5 EMA and ERMS of five prediction models

由表5 可知，CEEMDAN-EESHHO-ELMAdaBoost+修正的模型預(yù)測效果最好。與CEEMDANEESHHO-ELM-AdaBoost 相比，EMA和ERMS分別提高了10.17%和5.62%；與EESHHO-ELM-AdaBoost 相比，EMA和ERMS分別提高了20.02%和52.02%；與EESHHO-ELM 相比，EMA和ERMS分別提高了67.08%和117.68%；與ELM 相比，EMA和ERMS分別提高了269.88%和574.68%。由此可得，本文所提的預(yù)測方法預(yù)測性能更佳。

4 結(jié)論

本文提出了一種基于自適應(yīng)提升及預(yù)測誤差修正的風(fēng)電功率超短期預(yù)測方法，對(duì)風(fēng)電功率進(jìn)行超短期預(yù)測。經(jīng)過實(shí)驗(yàn)對(duì)比分析得到以下結(jié)論：

1）使用CEEMDAN 可有效處理風(fēng)電功率數(shù)據(jù)，降低了序列的非平穩(wěn)性，提升了預(yù)測的準(zhǔn)確性。根據(jù)RCMSE 值有效重構(gòu)了風(fēng)電功率序列，降低了計(jì)算規(guī)模，提升了預(yù)測效率。

2）利用EESHHO 對(duì)ELM 的權(quán)閾值尋優(yōu)，解決了ELM 權(quán)值和閾值的隨機(jī)性，提高了預(yù)測模型的準(zhǔn)確性和泛化性。

3）引入AdaBoost 集成思想的特點(diǎn)，把弱預(yù)測模型EESHHO-ELM 合成強(qiáng)預(yù)測器，進(jìn)一步提升了預(yù)測模型的預(yù)測精度。

4）在模型訓(xùn)練誤差的基礎(chǔ)上，去預(yù)測測試誤差，在一定程度上克服了因數(shù)據(jù)及模型自身固有缺陷所造成的預(yù)測不準(zhǔn)確問題，實(shí)現(xiàn)了預(yù)測模型預(yù)測準(zhǔn)確性的提升。