Jueves 5 de noviembre de 2026 ·
Un modelo híbrido XGBoost-RF mejora la previsión del consumo energético
Los autores proponen un modelo híbrido XGBoost-Random Forest con aprendizaje residual para predecir el consumo eléctrico. Logra un MAE de 15,8683, un RMSE de 22,1588, un R² de 0,985807 y un MAPE de 1,3118%. Frente al XGBoost base, reduce el MAE un 11,19% y el RMSE un 11,30%, y el análisis SHAP señala lag_1 y lag_168 como variables más importantes.
Qué significa
Un error de previsión menor permite a los operadores de red ajustar mejor la generación a la demanda. El avance es un resultado de investigación sobre datos de consumo, no un producto comercial ya disponible.
Fuentes originales
Resumen de Hoy en IA. Pulsa una fuente para leer la noticia completa en su idioma original.
- Frontiers in Artificial Intelligence | New and Recent ArticlesLeer la noticia completa en Frontiers in Artificial Intelligence | New and Recent Articles
También ese día
Todas las noticias de IA del jueves 5 de noviembre de 2026 ->