基于决策树及其集成模型的水库调度规则提取方法

水库调度规则作为指导水库调度运行的重要工具,不仅是水库规划设计时期的决策参考要素,且是运行管理期影响水库综合效益发挥的关键技术之一。为此,以长江上游水库群历史调度运行数据为基础,结合水库调度原理及运行特征,挑选时段数、前期水位、入库、出库及当前时段入库作为影响因子组建输入因子集,综合考虑运行期数据特征及决策树原理确定时段末水位作为模型输出,同时提出相应基于水库调节库容的水位评价指标,并采用相关系数和互信息作为模型输入因子相关性评定指标,引入树形Parzen评估器对输入因子个数和算法超参数进行优化,在此基础上,建立了基于决策树及其集成模型的水库调度规则提取模型,形成了融合历史调度过程和专家经验的水库调度规则。试验结果表明,决策树及其集成模型在水库调度规则提取应用时具有较强的能力和适用性。

基于概率模型检查的树模型公平性验证方法

如今,越来越多的社会决策借助机器学习模型给出,包括法律决策、财政决策等等.对于这些决策,算法的公平性是极为重要的.事实上,在这些环境中引入机器学习的目的之一,就是为了规避或减少人类在决策过程中存在的偏见.然而,数据集常常包含敏感特征,或可能存在历史性偏差,会使得机器学习算法产生带有偏见的模型.由于特征选择对基于树的模型具有重要性,它们容易受到敏感属性的影响.提出一种基于概率模型检查的方法,以形式化验证决策树和树集成模型的公平性.将公平性问题转换为概率验证问题,为算法模型构建PCSP#模型,并使用PAT模型检查工具求解,以不同定义的公平性度量衡量模型公平性.基于该方法开发了FairVerify工具,并在多个基于不同数据集和复合敏感属性的分类器上验证了不同的公平性度量,展现了较好的性能.与现有的基于分布的验证器相比,该方法具有更高的可扩展性和鲁棒性.

一种基于地形因素的空气质量空间估计方法

空气质量监测对于污染评估、危害降低和环保治理等具有重要的指导意义。然而,由于空气质量监测站点的数量十分有限,且空气质量随位置的变化是非线性的,因此空气质量空间估计(即估计任意无空气质量监测站点位置的空气质量)是一项具有挑战性的工作。目前最先进的空气质量空间估计方法考虑了交通、人流、POI等因素,并基于机器学习技术建立估计模型。然而,这些方法仍存在如下不足:1)由于考虑的因素主要反映城区的特性,因此只能局限在城区范围内使用;2)直接使用从各类因素中提取的特征建立模型,没有对特征进行更深层次的提炼。针对上述问题,提出了一种基于地形因素的空气质量空间估计方法。在该方法中,首先建立地形数据库并提取地形特征,然后基于集成决策树模型对地形特征进行深层转换,最后基于因子分解机建立回归模型。基于真实数据的实验表明,该方法对估计自然地形(如高原、森林、水域等)区域中的空气质量有明显的优势。