融合LSTM和LightGBM的用户购买行为预测算法

近年来,线上购物逐渐成为用户主要的购物手段,为提升用户购物体验,商品推荐系统应运而生。然而,传统的商品推荐系统常依赖简单的协同过滤和基于流行度的算法,难以捕捉用户的个性化偏好。针对此问题,文章基于JData平台提供的真实数据集,提出了融合LSTM和LightGBM的用户购买行为预测算法。首先,针对数据集中正负样本不平衡问题,采用对数据归一化的方法,使各个特征的贡献度更均衡。然后,利用LSTM和LightGBM依次提取商品购买的时间序列特征和非时间序列特征,构建融合LSTM和LightGBM的用户购买行为预测模型。将LSTM和LightGBM作为第一层学习器,并将LightGBM作为次学习器对用户购买行为进行预测。最后,大量实验证明:与单一的LSTM模型、SVM和LightGBM的融合模型以及CNN和LSTM融合模型相比,文章提出的算法在准确率、召回率以及F1值方面性能更优。

基于暂态行波时频特征的输电线路故障检测与选相方法

基于暂态量的故障时刻检测与故障选相方法速度快、灵敏度高,符合发展超高速保护的要求。输电线路故障产生的暂态行波信号在时域上和频域上都包含了丰富的故障信息,首先利用小波的多分辨率分析对三相暂态电流行波进行分解并将其重构至不同频段;然后在一时频窗内定义信号的时频特征向量以充分反映信号的时频特征,并利用相关系数来刻画信号的时频特征及其变化规律,以此提出基于暂态行波时频特征的输电线路故障检测与故障选相方法。该方法的可靠性及适应性由基于PSCAD/EMTDC的仿真试验验证。仿真试验结果表明,基于时频特征的故障检测精度高,故障选相结果准确,且不受故障距离、故障时间、过渡电阻的影响,同时所需故障数据窗短,对实现超高速保护有积极的借鉴意义。

关于高等职业教育课程体系的优化

高等职业教育的教学课程体系,必须建立在职业属性的基础之上,着重于职业能力的培养。课程体系的建设是人才培养的核心。讨论了高等职业教育课程体系现状,阐述了职业教育课程体系中的问题与薄弱环节,论证了要做好职业技能人才的培养,必须进行课程体系构建后的优化,得出了课程体系优化的关键是教学创新,推进职教课程变革,促进学生职业能力培养的健康发展。

电力系统电压稳定优化控制研究

本文选择用潮流雅可比矩阵最小奇异值作为静态电压稳定裕度指标，从提高电力系统电压稳定性，改善电压水平和减少网损出发，建立一个多目标优化数学模型。提出神经网络的混合遗传算法，并给出了实际计算结果，验证了本文的正确性。