基于XGBoost算法的v_(P)/v_(S)预测及其在储层检测中的应用

鄂尔多斯盆地碳酸盐岩地层蕴含着丰富的油气资源。在勘探实践中发现,大牛地气田马家沟组断层发育、断距小,类型多样且成因复杂,给勘探、开发带来了较多挑战。为了应对这些挑战,提高储层预测的精度变得至关重要。在分析大牛地气田敏感弹性参数的基础上,建立地震属性与储层纵横波速度比(v_(P)/v_(S))的关系,提出一种基于XGBoost算法的地震多属性v_(P)/v_(S)预测方法。为了进一步提升XGBoost算法的预测精度和泛化能力,采用贝叶斯算法对XGBoost算法的超参数进行优化,从而找到最佳的超参数组合,以确保模型在训练集和测试集上的性能均能得到提升。将XGBoost算法应用于Marmousi 2模型进行横波速度预测,预测值与实际值相关系数超过0.88,而均方误差、平均绝对百分比误差分别低于6.55×10^(-7)和4%,验证了该方法的准确性和可靠性。在鄂尔多斯盆地大牛地气田,应用该方法获得的v_(P)/v_(S)成功识别出含气储层,结果与实际钻井数据一致。理论模型和实际数据应用结果表明,XGBoost作为一种强大的机器学习算法预测精度较高,为直接由叠后地震属性预测v_(P)/v_(S)提供了一种有效的途径。

基于XGBoost算法的人—虎共存区域风险等级划分

以2014—2019年珲春地区红外相机拍摄的东北虎数据为基础,基于XGBoost算法构建了虎出没区域风险等级划分模型。由模型检验可知:模型的准确率为93.51%,精确率为93.85%,召回率为93.08%,F1值为93.31%,Cohen s Kappa统计系数为90.2%。研究结果表明:基于XGBoost算法构建的人-虎共存区域风险等级划分模型分类效果好、预测准确度高,运用该模型对人-虎共存区域进行风险等级划分是可行的。

基于贝叶斯优化XGBoost算法的电影评分预测研究

电影评分是反映观众对电影喜爱程度的重要依据。针对当前电影评分预测模型涵盖影响电影评分特征因素不足、预测准确率不高、模型过于简化等问题。为解决这些问题提出了一种基于贝叶斯优化XGBoost算法预测模型。该模型整合了影响电影评分的13个关键因素。首先收集电影网站数据,并进行数据预处理和文本向量化等操作,然后结合优化的贝叶斯算法筛选出与电影评分高度相关的特征,并进行最佳参数确定,最后根据最佳参数评估模型。实验表明,评价指标中的决定系数由优化前的0.577提升到0.763,增加了32.2%,均方误差和平均绝对误差分别降低了44.1%和29.7%。因此该模型具有较高的预测准确性,有望在实际应用中取得良好效果。

基于ADASYN-XGBoost算法的光伏出力预测研究

随着光伏发电大规模并入电网,由此产生的源端可供电量不确定性问题日益突出,精准预测光伏出力,对电网资源优化配置、提升光伏消纳能力起着关键的支撑作用。通过研究影响光伏出力的关键要素,以历史气象特征数据为输入构建光伏出力预测模型,在实践过程中,对存在的主客观问题,从算法层面进行了模型优化。(1)针对光伏电站历史运行样本量小、气象特征变化多,导致诸多稀疏特征样本的问题,引入了ADASYN自适应采用算法,进行数据集重平衡;(2)通过XGBoost算法搭建了基于气象特征的光伏出力模型,并与传统的BP神经网络进行比较。通过某光伏电站的实际历史数据预测结果比较,结合ADASYN过采样和XGBoost算法,能有效提升模型的准确性;较BP神经网络相比,ADASYN-XGBoost算法的MAE、RMSE、MAPE和R2分别提高了66.7%、68.9%、58.0%和1.6%,评估指标明显优化。

基于XGBoost算法的船舶油耗预测模型

船舶油耗预测是实现船舶能效评估与优化决策的基础与前提,对船舶航线航速设计,实现船舶能效优化有重要的意义。基于船舶实测航行数据和环境数据,通过相关性分析提取对船舶油耗影响较大的特征因素,并将特征因素作为模型的输入参数;通过数据清理技术并参照相关国际标准对特征因素进行筛选,得到建模的样本数据;把样本数据按0.8∶0.2的比例随机分为训练样本和测试样本,采用XGBoost算法建立油耗预测模型,并通过预测测试样本的油耗验证模型的准确性。该模型决定系数达到0.967,运行时间为2.723 s,与神经网络模型的准确率几乎一致且运行时间缩短了70%,适用于船舶航行决策中的油耗快速计算和实时预测。

基于XGBoost算法的烤烟采收成熟度图像识别

【目的】为实现智能精准识别烟叶采收成熟度。【方法】以云烟87为试验材料,利用OpenCV和灰度共生矩阵(GLCM)提取图像特征,构建极限梯度提升(XGBoost)算法模型从而实现对鲜烟叶成熟度识别。【结果】①鲜烟叶图像特征中,R(红,red)、G(绿,green)、B(蓝,blue)分量和ASM(角二阶矩)随着成熟度的增加呈现较为明显的上升趋势,其他图像特征变化不显著;②经F分数(F-score)、AUC值(受试者工作特征曲线与坐标轴之间的面积)和准确率逐步筛选,得出R1(R分量均值)、G1(G分量均值)、B1(B分量均值)、S2(S分量方差)和B2(B分量方差)等5个特征参数,据此建立的XGBoost算法模型对烟叶成熟度识别准确率达到95.85%,比22维特征参数建模的准确率高0.41%,比BP神经网络模型高4.71%。【结论】基于机器视觉下的XGBoost算法可准确、高效地识别鲜烟叶成熟度。

基于参数优化VMD与XGBoost算法的玉米蛋白粉价格预测

玉米蛋白粉价格稳定对饲料工业可持续发展和国家粮食安全具有重要意义,但其价格序列具有非平稳、非线性特征,难以精确预测。试验旨在基于XGBoost算法,构建玉米蛋白粉价格预测模型。首先,利用鲸鱼算法(WOA)优化变模分解(VMD)的K值和惩罚参数,对原始价格序列进行自适应分解,降低数据噪声。其次,将Pearson特征筛选后的变量作为极限梯度提升树(XGBoost)模型的输入,进行训练和测试。最后,使用10折交叉验证和学习曲线检验模型性能,并结合SHAP模型分析关键影响因素的非线性效应。结果显示,上一期豆粕期货价格对本期玉米蛋白粉价格波动具有显著的正向影响。研究表明,贝叶斯算法(BO)优化的XGBoost模型具有较好的预测性能,优于基准模型。

基于XGBoost算法的商用车驾驶风险辨识模型

驾驶员作为交通事故的重要诱因,其一系列风险驾驶行为对道路交通安全具有重要影响。针对当前驾驶风险等级分类不合理、辨识精度低等问题,提出一种商用车驾驶风险辨识模型。即首先从车辆状态、驾驶状态、驾驶员操作三个方面,共建立18个能够表征商用车驾驶风险的特征参数;采用因子分析法(FA)对特征参数降维优化,并生成蕴含更为明确风险驾驶行为信息的综合变量;接着应用K-means聚类算法分别将风险驾驶行为特征聚为2、3和4类并对比分析,结合肘部法则和轮廓系数综合确定最佳的聚类数目k,消除人为经验确定k值主观性强的缺陷;最后,利用极端梯度提升(XGBoost)算法对商用车驾驶风险进行识别,并与决策树、随机森林、K近邻等算法在精度上进行比较。研究结果表明:在上述研究条件下XGBoost算法对商用车驾驶风险的理论识别率最高可达98%,该结果对于自动驾驶辅助系统的设计、道路交通安全性的提升具有重要意义。

基于XGBoost算法的瓷支柱绝缘子振动声学检测信号缺陷识别方法研究

针对瓷支柱绝缘子振动声学检测信号频谱分析存在误判的问题,提出基于XGBoost算法的瓷支柱绝缘子振动声学检测信号缺陷识别方法。从28个时域特征、功率密度谱特征和小波域特征中按照重要性提取了14个特征作为缺陷识别的依据,训练了瓷支柱绝缘子振动声学检测信号缺陷识别模型。结果表明,通过模型对瓷支柱绝缘子振动声学检测信号缺陷进行分类识别,准确率达到95.83%,取得了较好的缺陷识别效果。将XGBoost算法应用于现场检测信号识别,正确率达到96.6%,能够满足工程应用需要。

XGBoost算法在河北省GPM卫星降水数据降尺度中的应用

针对GPM卫星降水产品分辨率相对较低问题,本研究引入XGBoost(eXtreme Gradient Boosting)回归算法,旨在改善河北省GPM降水数据的分辨率水平和应用精度。基于地形变化、土地利用、NDVI应用、经纬度和地面降水数据构建XGBoost的回归模型,然后运用网格搜索法进行参数优化,进而对河北省2020年GPM数据进行降尺度,利用独立验证点进行精度评估。结果表明,降尺度后的GPM数据与地面降水量在年尺度上具有高一致性,其R2达到了0.88,MAE(Mean Absolute Error,平均绝对误差)和RMSE(Root Mean Square Error,均方根差)分别为62.07 mm和85.72 mm。相比原始GPM数据,降尺度后的GPM数值精度R2提升了4.55%,MAE和RMSE分别降低了70.23%、71.14%。XGBoost模型能准确拟合星地多源降水数据之间非线性规律,在低精度、低分辨率GPM降水数据降尺度处理方面具有广阔应用前景。

基于多特征和XGBoost算法的煤矿瓦斯浓度预测

煤矿瓦斯事故的发生与瓦斯浓度变化密切相关,准确预测瓦斯浓度变化对于预防瓦斯事故具有重要意义。虽然研究人员对煤矿瓦斯浓度预测进行了广泛的研究,但由于煤矿井下瓦斯浓度变化受多种复杂因素影响,表现出不稳定性和非线性,给预测带来很大困难。近年来,基于深度学习的预测算法由于其良好性能而逐渐得到关注,一方面,随着数据量的增加,基于深度学习的预测方法需要更多训练时间,易导致过拟合现象的发生。另一方面,现有大多数深度学习模型通常只考虑历史瓦斯浓度,输入特征过于单一。为了解决上述问题,本文提出了一种基于多特征和XGBoost算法的瓦斯浓度预测模型,该模型可以同时将历史瓦斯浓度、温度、风速等特征作为模型的输入,并依据XGBoost模型内置的梯度提升算法和决策树提升模型的训练速度。实验结果显示,本文所提出的预测方法比现有深度学习模型的瓦斯浓度预测误差更小,训练速度更快。

基于TPE-XGBoost算法的再生粗骨料混凝土抗压强度预测模型

为了更好地预测再生粗骨料混凝土的抗压强度,提出了基于极限提升树(XGBoost)算法的再生粗骨料混凝土抗压强度预测模型;利用再生粗骨料混凝土数据库,对数据进行预处理,利用树结构概率密度估计贝叶斯优化(TPE-BO)方法优化模型参数;通过实例对再生粗骨料混凝土抗压强度预测模型进行对比验证。结果表明:数据预处理和TPE-BO超参数优化方法均能在一定程度提升模型性能;与随机森林、K邻近回归、支持向量机回归、梯度提升决策树模型相比,提出的模型有更高的预测精度和泛化能力;高性能抗压强度预测模型可为再生粗骨料混凝土的研究和实践提供依据,同时也为再生混凝土性能预测提供新途径。

基于XGBoost算法的中国露营地空间分布特征及其影响因素研究

综合运用最邻近指数、核密度分析、标准差椭圆、Getis-OrdG^(*)_(i)指数和XGBoost机器学习等方法,探讨了中国露营地的空间分布格局特征、影响因素以及不同城市露营地建设适宜性。结果表明:①中国露营地分布呈现集聚特征,整体分布上表现为“东聚西散、南多北少”,呈“多核心-多轴线”的空间格局,区域及省际分布差异性显著,在京津冀、长三角、珠三角和川渝四大区域形成集聚区;②中国露营地空间分布特征受自然条件、旅游资源禀赋和社会经济环境的综合影响,基于XGBoost算法输出的影响因素权重值由高到低依次为:NDVI、DEM、AQI水平、GDP、A级景点数量、国内旅游收入、道路密度、国内旅游人数、工资水平;③中国露营地建设高适宜性区域主要集中于经济发达的东部地区,露营地数量占总数的48.90%;中适宜性区域主要分布于西北、中部与东北部分地区,露营地较为分散;低适宜性区域主要集中于青海和云南两省。

基于改进XGBoost算法的深部巷道松动圈智能预测研究

深部巷道爆破开挖后由于爆炸冲击和原位应力动态卸载耦合作用,围岩内不可避免地产生松动圈,进而影响结构的稳定性,因此对松动圈厚度进行超前预测显得非常重要。依托多座地下矿山松动圈测试作为研究对象,共获取300组有效数据样本。采用4种主流的超参数优化算法,即遗传算法(GA)、灰狼优化算法(GWO)、粒子群优化算法(PSO)和樽海鞘算法(SSA)对XGBoost算法进行优化,并以此构建4种松动圈预测混合模型。采用R2、RMSE、MAE和MAPE指标对预测模型的性能进行对比分析,并开展松动圈厚度参数的敏感性分析。最后,将最优的PSO-XGBoost模型应用于地下矿山运输巷道进行工程验证。结果表明:在群体规模分别为90、70、60和100时,GA-XGBoost、GWO-XGBoost、PSO-XGBoost和SSA-XGBoost模型取得了最佳的预测表现。其中,PSO-XGBoost模型在训练集和测试集中的相关系数分别为0.9244和0.8787,具有最佳的预测性能。相比基准模型(XGBoost、RF、SVM和LightGBM),优化后模型松动圈的预测精度和性能均得到显著提升。巷道当量直径(TD)和围岩地质强度指标(GSI)对松动圈厚度的影响最为显著,垂直主应力也具有明显的影响。优化后的XGBoost模型在实际工程中的应用结果显示实测值与预测值误差在10%以内,PO-XGBoost具有工程应用价值。

基于XGBoost算法的车载场景识别辅助组合导航研究

现有组合导航算法在卫星信号复杂的环境中存在误差随时间发散的问题。针对不同的车载场景增加不同的辅助策略,以提升导航精度,提出了一种基于XGBoost算法的车载场景识别辅助组合导航技术。首先,根据行车过程中的卫星导航数据和车辆状态数据构建特征,并通过Kruskal-Wallis检验比较不同车载场景下特征的分布差异;其次,使用XGBoost算法拟合经过预处理的数据,得到车载场景识别模型;最后,当识别到地库场景时,通过力学编排计算航向角的变化量,也使用轮速运动学模型计算航向角的变化量,然后对两种方式计算的航向角变化量求均值,重新计算当前时刻的姿态,再用新的姿态更新速度和位置。实验结果表明,在地库场景下,相较于不增加轮速运动学辅助的算法,增加辅助的组合导航算法的航向精度标准差平均提升55.27%。

基于XGBoost算法的内部网络安全威胁检测方法

针对内部网络安全威胁节点成因多、特征难捕捉问题,提出一种基于XGBoost算法的内部网络安全威胁检测方法。以内部网络社区间的状态差异作为指标,计算不同社区类型内节点的边权重,查找与目标值存在关联性的节点。经多次分配提取特征值,将其作为初始值输入XGBoost决策树中,构建威胁性特征目标函数,求解每个节点对应的泰勒系数,实现内部网络安全威胁检测。实验结果表明,所提方法特征提取精准度高,在多种网络攻击条件下均能实现精准检测。

基于双层XGBoost算法的台区用户超短期负荷预测

台区用户超短期负荷预测的影响因素较多,使得预测结果准确率有所下降,文中提出基于双层XGBoost算法的台区用户超短期负荷预测方法。利用双层XGBoost算法构建超短期负荷预测模型,使用双层协同校正方法校正模型的基准层与实时层。充分考虑超短期负荷预测的影响因素,选取相似负荷向量构成低秩矩阵,使用非线性插值方法填充缺失值,以此实现模型求解,得到台区用户超短期负荷预测结果。由实验结果可知,该方法的预测准确率最高值为99.15%,均方根误差最小值为0.02,预测结果更为精准。

基于XGBoost算法的增生型糖尿病视网膜病变预测模型的建立及可视化实现

目的利用H2O机器学习平台,建立增生性糖尿病视网膜病变(PDR)预测模型,旨在为PDR的临床诊疗提供指导。方法选取2019年1月至2021年1月于苏州大学附属理想眼科医院体检中心及住院部连续就诊的350例糖尿病视网膜病变(DR)患者作为研究对象,根据DR类型的不同分为非增生性糖尿病视网膜病变(NPDR)组(n=256)与PDR组(n=94)。比较两组临床资料。尝试多种机器学习算法,建立预测模型,通过绘制ROC曲线、计算混淆矩阵,明确最佳模型,并通过可加性解释模型(SHAP)分析、局部可解析性算法(LIME)及部分依赖图(PDP)等可视化方法呈现重要特征在预测中的作用。结果两组糖尿病(DM)病程、体力活动、体重指数(BMI)、腰臀比、血压、高密度脂蛋白胆固醇、空腹血糖、空腹胰岛素、糖化血红蛋白、谷丙转氨酶(ALT)水平及高血压、脂肪肝、吸烟、饮酒占比比较差异有统计学意义(P<0.05)。机器学习最佳模型为XGBoost,该模型Gini值0.997,R^(2)为0.926,重要特征包括DM病程、高密度脂蛋白胆固醇及空腹胰岛素。结论本研究基于XGBoost算法建立PDR临床预测模型,通过可视化呈现重要特征在预测中的作用,为PDR临床诊疗提供了新的思路。

基于XGBoost算法的医保信息系统入侵安全风险监测方法

目的针对常规的医保信息系统对入侵行为的判定过程较为繁杂、监测反应时间较长的问题,提出基于XGBoost算法的医保信息系统入侵安全风险监测方法。方法按照安全性影响因素的关系,对安全因素关联度修正强度进行计算与修正,并对修正后的安全因素关联进行划分,得到划分的系统入侵安全信息关联度;根据划分关联度参数,基于XGBoost算法对入侵行为进行分级判定;按照结果,使用树编辑距离算法,对入侵行为信息进行匹配,并建立神经网络监测结构;根据匹配结果建立对应报警机制,实现对医保信息系统入侵安全风险的实时监测。结果实验结果表明,本文方法对医保信息系统入侵安全风险的监测平均反应时间小于3 s,反应时间较短,安全性较高。结论本文提出的基于XGBoost算法的医保信息系统入侵安全风险监测方法,能够有效监测医保信息系统的入侵安全风险,具有较高的应用价值。

基于改进XGBoost算法的XLPE电缆接头故障自动化诊断与测量研究

该文研究基于改进XGBoost算法的XLPE电缆接头故障自动化诊断方法。以35 kV XLPE电缆接头为例,设计局放模拟实验,测量4种绝缘故障局放信号,生成二维局放图谱。从中提取描述投影形状和正负半周轮廓差异的故障特征,构建一维向量输入XGBoost模型,实现故障自动化诊断。应用哈里斯鹰算法优化模型参数,提高诊断分类性能。实验结果表明,该方法能有效测量不同故障类型的局放图谱,并以其特征实现高精度的XLPE电缆接头故障自动化诊断,确保了电缆长期稳定运行,更好地保障了电力安全。