程序名称：基于TOC-XGBoost的时间序列预测模型
实现平台：python—Jupyter Notebook
代码简介：构建了基于TOC（龙卷风-科里奥利力优化算法）-XGBoost的时间序列预测模型。原创未发表，注释超详细，几乎每行一注释。限量。
龙卷风-科里奥利力优化算法（Tornado Optimizer with Coriolis Force, TOC）作为一种新兴的元启发式优化方法，其设计原理源自大气科学中的自然现象：通过模拟龙卷风的涡旋动力学特征，以及雷暴系统在科里奥利力作用下发展为成熟气旋的演化过程构建优化机制。相较于传统基于动物群体行为的元启发式算法（如粒子群、蚁群等"动物园算法"），该算法在物理机制建模与数学表达层面均展现出显著创新性，其理论框架兼具气象学依据与计算严谨性。值得注意的是，该成果发表于人工智能领域顶刊《Artificial Intelligence Review》，作者Malik Braik于2025年2月正式发表该项研究，具有较高的学术参考价值与应用潜力。
本研究提出了一种基于元启发式优化算法（TOC）驱动的机器学习模型（XGBoost）超参数动态优化框架，构建了“优化器 - 预测器”的闭环架构，显著提升了时间序列预测任务的性能。XGBoost作为集成学习领域的经典算法，凭借其多棵决策树的梯度提升组合机制，能够精准捕捉时间序列数据中的复杂趋势、周期性波动以及各类异常扰动（例如季节性突变或突发事件的冲击）。其基于树结构的特征交互机制可自动挖掘滞后变量、滑动窗口统计量（如移动平均、标准差）等时序特征的深层关联，无需依赖人工预设特征规则。此外，XGBoost内置的正则化项（L1/L2）与缺失值处理模块，使其对含噪声或少量缺失数据的鲁棒性显著增强。然而，XGBoost的性能在很大程度上受限于超参数（如树的数量、学习率等）的设置，这些参数直接决定了模型的复杂度与泛化能力。传统优化方法（如网格搜索、随机搜索）由于计算效率低下或易陷入局部最优，难以在有限资源下高效地定位全局最优超参数组合，从而成为制约其时序预测精度的关键瓶颈。
为解决这一问题，本研究引入了新型元启发式优化算法——TOC（龙卷风 - 科里奥利力优化算法）。该算法通过模拟龙卷风涡旋动力学以及科里奥利力驱动的气旋演化过程，构建了一种兼具“探索 - 开发”动态平衡特性的高效搜索机制。TOC能够快速锁定XGBoost的最优超参数组合（如最佳树数量、学习率等），在保证搜索精度的同时显著减少冗余迭代次数。这种深度融合使得模型不仅能够借助XGBoost精准刻画时序数据的复杂模式，还能通过TOC突破超参数寻优的瓶颈。最终，该框架在预测精度、泛化能力及计算效率等多个方面实现了综合提升，为时间序列预测任务提供了一种更为可靠的解决方案。
参考文献：《Tornado optimizer with Coriolis force: a novel bio-inspiredmeta-heuristic algorithm for solving engineering problems》
代码获取方式：【原创代码分享】基于TOC（龙卷风-科里奥利力优化算法）-XGBoost的时间序列预测模型
✅ TOC优化结果： 最优学习率: 0.0984 最优n_estimators: 72 测试集MAE: 0.0380 Default XGBoost 模型性能: MAE: 0.0400 RMSE: 0.0913 R²: 0.9077 TOC-Optimized XGBoost 模型性能: MAE: 0.0380 RMSE: 0.0871 R²: 0.9158
程序名称：基于线性回归和XGBoost的混合时间序列分解预测
实现平台：python—Jupyter Notebook
代码简介：构建了基于基于线性回归和极致梯度提升（eXtreme Gradient Boosting，XGBoost）的混合时间序列分解预测模型。该模型为线性-非线性时间序列分解模型（LN-TSDM）。通过将时间序列数据分解为线性部分和非线性部分，分别采用线性回归和XGBoost算法进行建模与预测。线性部分利用线性回归捕捉数据中的线性趋势，而非线性部分则通过XGBoost强大的非线性拟合能力处理复杂的非线性关系，使用网格搜索与交叉验证优化Xgboost的参数。两种预测结果相加得到最终的组合预测值。此外，模型还与直接使用XGBoost和线性回归的方法进行了对比验证。实验结果表明，LN-TSDM在预测精度上具有显著优势，能够有效提升时间序列预测的准确性和稳定性，为相关领域的时间序列预测问题提供了一种高效可靠的解决方案。可用于风光负荷、天气、交通等一切符合模型输入的时间序列预测。
XGBoost（eXtreme Gradient Boosting）是一种高效且强大的机器学习算法，具有显著的优势。它通过梯度提升框架优化目标函数，利用二阶泰勒展开加速收敛，同时引入正则化项（L1和L2正则化）有效防止过拟合，提升模型的泛化能力。XGBoost支持并行化处理和分布式计算，能够高效处理大规模数据集，显著提高训练速度。此外，它还具备自动处理缺失值、支持自定义损失函数和评估指标、以及强大的特征重要性评估功能等特点。
通过将时间序列数据分解为线性部分和非线性部分分别进行预测，并将两种预测结果相加得到最终的组合预测值，这种方法能够充分发挥线性模型和非线性模型的优势。线性模型可以高效地捕捉数据中的趋势性和规律性，而非线性模型则能够处理复杂的非线性关系和波动性。这种分解与组合的方式不仅能够提高预测的精度，还能增强模型的适应性和鲁棒性。它避免了单一模型在处理复杂数据时可能遇到的局限性，同时充分利用了两种模型的优势，从而在时间序列预测中实现更准确、更可靠的预测结果，尤其适用于具有明显趋势和复杂波动的时间序列数据。
代码获取方式：【原创代码分享】基于线性回归和XGBoost的混合时间序列分解预测
运行结果
Optimized XGBoost parameters: {'learning_rate': 0.01, 'max_depth': 3, 'n_estimators': 100}Combined method prediction metrics: Mean Squared Error (MSE): 9.148471789639958 Mean Absolute Error (MAE): 1.823156438578196 R²: 0.6896021446707077
Direct XGBoost prediction metrics: Mean Squared Error (MSE): 9.446827976124718 Mean Absolute Error (MAE): 1.8925347838018127 R²: 0.6794792386227303
Direct Linear Regression prediction metrics: Mean Squared Error (MSE): 9.8523306237374 Mean Absolute Error (MAE): 1.8408619369698669 R²: 0.6657209678378915
)
