基于梯度提升决策树模型的Sentinel-1图像浅海水深反演

利用合成孔径雷达(Synthetic Aperture Radar,SAR)反演浅海水深在海洋遥感中极具挑战性。本文采用梯度提升决策树(Gradient Boosting Decision Tree,GBDT)为核心的机器学习算法,使用Sentinel-1、全球水深数据、风场和流场数据来反演杭州湾和长江口南缘相连的浅海区域的水深。首先分析反演的最佳风速和迭代次数,再对0~10 m、10~20 m、20~30 m、30~40 m、40~50 m的分段水深和0~10 m、0~20 m、0~30 m、0~40 m、0~50 m的总体水深用相关系数、均方根误差和平均绝对误差进行精度评价,最后分析反演水深的空间分布特征。结果表明:反演的最佳风速约为3.78 m/s,并且GBDT模型达到最佳精度时的迭代次数远小于其他模型,最佳迭代次数为4。分段水深中,40 m以内的相关系数都高于0.8,其中以10~20 m的相关系数最高,为0.9;40~50 m则最低,为0.73。40~50 m的平均绝对误差和均方根误差均为最大,分别为1.89 m和2.24 m,20~30 m的平均绝对误差和均方根误差均为最小,分别为0.75 m和0.96 m。在总体水深中,虽然随水深区间的扩大,相关系数会逐渐增加,但是平均绝对误差和均方根误差的精度都随水深区间的扩大而下降,且在0~50 m区间内的平均绝对误差和均方根误差最大,分别为1.06 m和1.59 m,因此反演的最佳区间为0~40 m。该区域的水深从杭州湾海岸线开始由浅及深阶梯增加,反演结果能够较好的表现研究区内的实际水深分布情况,比较符合当前区域的水下地形特征。

用梯度提升决策树实现电力负荷非线性影响因素分析

为了避免由因素冗余导致的预测精度下降,对比分析了6种集成机器学习模型的性能,发现梯度提升决策树回归模型性能最好。利用梯度提升决策树进行特征重要性排序,选出显著影响因素;然后通过计算偏依赖量来评估各影响因素与最大负荷之间的非线性关系;最后,运用长短期记忆预测模型对各个因素的组合进行验证。结果表明,利用梯度提升决策树可以有效捕捉最大负荷与各因素之间的非线性关系,且经过因素选择和考虑温度累积效应后,负荷预测准确度得到显著提高。

基于优化负样本采样策略的梯度提升决策树与随机森林的汶川同震滑坡易发性评价

强震诱发的滑坡具有数量多、分布广、规模大等特点,严重威胁人民生命财产安全。滑坡易发性评价能够快速预测灾害空间分布,对于减轻震后灾害的危险性具有重要意义。在同震滑坡易发性评价研究中,如何选取滑坡负样本并通过耦合机器学习模型提高评价精度的对比研究仍需进一步研究。以山区汶川地震诱发的滑坡为研究区,首先选取地形地貌、地质环境、地震参数等10个滑坡评价因子,分析滑坡空间分布规律;其次因子共线性分析检验数据冗余,接下来采用频率比法(FR)选取极低、低易发区滑坡负样本点的采样策略;最后采用基于决策树演化改进的梯度提升决策树(GBDT)、随机森林(RF)和耦合模型(FR-GBD与FR-RF),开展了基于机器学习的同震滑坡易发性区划并进行精度评价。研究结果表明:①滑坡空间分布受到多层级因子控制;②模型预测精度为:FR-RF(AUC=0.943)>FR-GBDT(AUC=0.926)>RF(AUC=0.901)>GBDT(AUC=0.856);③在低易发区选择滑坡负样本可以明显提高易发性精度。研究成果可为滑坡易发性中负样本的选择和评价模型构建提供参考同时也为震后滑坡的防灾减灾提供理论支持。

基于梯度提升决策树技术构建问诊融合舌象特征的中医体质辨识模型的探索研究

目的应用机器学习方法,对融合舌象特征的中医体质新型量表与中医体质量表进行多维度优效性比较,以获得更适合临床使用的中医体质辨识模型。方法前瞻性招募患者进行客观化舌象特征和中医体质量表数据采集,将60条目中医体质量表简化为9道多选题形式,利用梯度提升决策树(gradient boosting decision tree,GBDT)方法将舌象特征和9题判定的体质特征进行融合进而构建中医体质辨识的GBDT模型,同时建立支持向量回归(support vector regression,SVR)和线性回归(linear regression,LR)机器学习模型,通过比较不同模型位于前3(top3)的偏颇体质一致率以及R 2决定系数,验证GBDT模型的可行性。结果共获得374例患者完整数据。GBDT模型与60条目中医体质量表体质判定结果进行比较,top3一致率为75.56%。从机器学习回归模型性能评价角度来看,GBDT模型的R^(2)决定系数为0.7727,相较于SVR和LR两种方法,R^(2)分别高出0.013和0.0628,表明GBDT模型具有更好的拟合能力。结论融合舌象特征和9题判定的体质特征构建的中医体质辨识GBDT模型具有可行性,有利于提升体质辨识的效率,还具备较高的可靠性和准确性,能够为中医临床决策提供有力支持。

合作群决策模型及其梯度解法

利用极大熵原理，提出一种衡量专家决策水平及决策合作程度的新方法——决策梯度法，并以此为基础，建立一种合作群决策优化模型，从理论上证明了模型的有效性，给出了模型的求解算法。最后，通过算例计算分析，获得群决策满意解。

基于梯度提升决策树的重庆市轨道交通网络特征对站点客流的影响分析

为了探讨轨道交通网络特征对站点客流的影响,基于重庆市轨道交通站点客流数据、POI数据、道路网矢量数据等多源数据,选择表征网络结构特征的中心性、连通性、集聚性等22个影响因子,采用普通最小二乘法和梯度提升决策树模型对客流进行拟合。结果表明,梯度提升决策树模型较普通最小二乘法的拟合度更好,其中站点效率是影响轨道站点客流最重要的因素,其次是临近中心性与站点重要性排序,对站点客流贡献度大于5%的因子共8个;同时对临近中心性、站点效率、公交站点密度等在内的9个影响因子进行独立效应分析,得到这些因子对站点客流均表现出非线性关系,且阈值效应显著。研究结果可为重庆市轨道交通资源的配置和轨道站点设置等提供一定的技术支持,也为其他城市轨道交通运营提供理论参考。

基于梯度提升决策树的火电厂汽轮机故障检测研究

为解决火电厂汽轮机组故障检测精度较低的问题,引入梯度提升决策树方法,研究火电厂汽轮机故障检测方法。选择等效热降分析理论建立火电厂汽轮机数学模型,归一化处理汽轮机输出参数。通过梯度提升决策树对输出参数进行回归拟合处理,从而得出火电厂汽轮机故障检测结果。实验结果表明,该方法在跟踪不同指标的过程中能够实现火电厂汽轮机故障精准判断,故障检测精度高。

基于梯度提升决策树的计算机网络异常流量识别方法

计算机网络流量数据具有复杂结构和多变性的特点,传统方法难以直接、准确地捕捉并识别出异常流量特征的真实概率分布关系,从而导致异常流量识别的准确性降低。为了克服这一难题,提出基于梯度提升决策树的计算机网络异常流量识别方法。首先,计算基线向量差值以量化正常流量与潜在异常流量之间的差异,并据此初步确定哪些流量数据可能属于异常。利用隐马尔可夫模型对这些潜在的异常流量进行时序特征概率分布关系的分析,并在考虑业务行为的基础上提取异常流量时序特征。然后,引入DIP深度包检测技术,锁定这些异常流量的源IP地址。最后,利用梯度提升决策树(GBDT)构建多个弱学习器,并结合叉熵损失函数来指导模型的训练过程。在训练过程中,GBDT会从流量数据中学习并提取特征(包括DIP技术锁定的IP地址等),构建出一个能够准确分类异常流量的模型。实验结果表明,所提出的方法在异常流量识别方面的平均准确率达到96.60%,平均查全率为96.99%,而平均漏报率仅为0.18%。这些结果表明,所设计的方法具有较高的识别效果和良好的应用性能,能够有效应对计算机网络中复杂多变的异常流量。

基于梯度提升决策树的房价预测模型

为了更精确快速地预测二手房房价,提出基于梯度提升决策树的房价预测模型。首先,采集最新沈阳二手房数据,对数据进行预处理;其次,基于处理后的数据和梯度提升决策树方法建立房价预测模型;最后,利用实验验证模型的有效性。实验结果显示,基于梯度提升决策树模型在拟合优度、均方根差、平均绝对误差都优于岭回归、决策树。在预测房价上具有一定的实用性。

基于梯度提升决策树的含光伏接入微电网调度优化

针对常规的含光伏接入微电网调度约束固定速度慢的问题,提出对基于梯度提升决策树的含光伏接入微电网调度优化。通过设定多层级目标函数,构建优化模型,并采用自适应修正处理实现调度优化。测试结果表明,与传统优化方法对比,文章设计的梯度提升决策树含光伏接入微电网调度优化方法得出的电网调度频率平均优化比相对较高,针对性也较强,在不同的背景下,对于微电网的调度优化效果明显提升,具有较强的针对性和稳定性。

基于梯度提升决策树的用户体验评价模型

本文通过利用梯度提升决策树模型对用户体验历史评价数据进行学习,以建立用户体验评价指标设置模型,通过自动化方式生成相应的评价指标及其权重。经过实验分析,本文所提方法能够有效替代人工先验,进一步提升用户体验评价的客观性和准确性。为了进一步提升数字化产品的质量,不少企业单位逐渐关注用户体验的问题,因此用户体验评价相关的方法也日益受到关注。现有用户体验评价方法大多通过设定用户体验评价指标,并邀请专家通过层次分析法设定评价指标权重,进而计算出用户体验评价结果。但是现有方法多依赖于专家的主观认识,缺少客观性。本文通过梯度提升决策树算法对历史用户体验评价数据进行学习,进而自动生成用户体验指标权重,减少对人工知识的依赖。

基于梯度提升决策树的微博虚假消息检测

微博是信息共享的重要平台,同时,也成为虚假消息产生和推广的重要平台,虚假消息的传播严重扰乱了社会秩序。为了快速、有效地识别微博虚假消息,提出一种基于梯度提升决策树(GBDT)的虚假消息检测方法。首先,从评论的角度分析微博虚假消息和真实消息之间存在的差异,在此基础上提取评论中的文本内容、用户属性,信息传播和时间特性的分类特征;然后,基于分类特征,采用GBDT算法实现微博虚假消息识别模型;最后,在两个真实的微博数据集上进行验证。实验结果表明,基于GBDT的识别模型能有效提高微博虚假消息检测的准确率。

基于梯度提升决策树的电力电子电路故障诊断

针对电力电子电路的常见故障类型,提出一种利用主元分析(PCA)提取电路状态的故障信息特征和基于梯度提升决策树(GBDT)分类的电力电子电路故障诊断方法。首先讨论利用PCA进行特征提取的步骤以及GBDT的分类原理;然后研究了基于PCA特征提取以及GBDT分类的电力电子电路故障诊断流程;最后利用三相桥式整流电路进行了建模、仿真、验证,实验结果表明,采用该方法进行电力电子电路故障诊断相比其他方法在低维空间具有更高的诊断准确率和更佳的样本泛化能力。

采用梯度提升决策树的车辆换道融合决策模型

车辆在执行换道行为时,由于受到较多环境因素影响,难以准确进行换道识别和预测.为解决这一问题,提出一种基于梯度提升决策树(GBDT)进行特征变换的融合换道决策模型,以仿真驾驶员在高速公路上自由换道时的决策行为.采用主体车辆与目标车道后车的碰撞时间tlag及车辆周围交通状态变量进行车辆换道行为的建模分析,在NGSIM数据集上对建立的融合换道决策模型进行参数标定和模型测试.实验结果表明:融合换道决策模型以95.45%的预测准确率超越支持向量机、随机森林和GBDT等单一的换道决策模型,获得了最突出的表现.变量分析结果表明:新引入的换道决策变量tlag对车辆换道行为具有重要影响.提出的融合换道决策模型能够进一步减少因换道决策误判而导致的交通事故.

应用梯度提升决策树算法预测套损

套管变形和损坏(简称为套损)的预测是油气田开发工程中的重要工作,是减少工程事故、降低操作成本、提升工作效率的基础。针对油气生产过程中的套损问题,提出了应用大数据思想构建相关算法模型解决油田现场实际问题的思路和方法。通过分析油田现场正常井、套损井的实际数据,分析引起套损的若干参数,确定并提取了影响套损的最重要的10个特征参数;应用基于相关性检验、方差分析、互信息等方法分析套管特征参数与套损的关联度,并确定数据关系模式;以此为基础应用梯度提升决策树算法构建套损风险评估算法模型,完成对样本数据的分类预测,获得各特征参数对套损的影响程度及概率分布;然后,预测了214口正常井中潜在成为套损井的前10口井及概率分布,量化了潜在套损风险。

基于梯度推进决策树的日维度交通指数预测模型

城市交通运行监测和预测是掌握交通运行变化特点,制定缓解交通拥堵策略的重要工作,其结果能为公众提供有效的路况信息,亦为政策措施的制定和效果评估提供重要支撑.有别于传统的短时交通预测,本文提出的预测模型不是针对相邻时段的运行状态预测,而是更长跨度上,针对日级别高峰时段交通运行状态的预测.构建了包含时间周期、特殊天气、节假日、限行、大型活动等因素的多维度影响因素集;以长期历史交通指数构建数据训练集,提出了基于梯度推进决策树的日维度路网状况预测模型.应用最优模型进行验证,结果表明,模型预测精度可达90%以上,与其他4种回归模型的对比分析也显示,本文所提出的模型在各项评分中均表现最优,说明其更适合于大样本、多因素的回归分析.本文所提出的日维度预测模型对提升城市路网运行质量、缓解交通拥堵具有重要的应用价值.

基于梯度提升决策树改进双向门限循环单元的锅炉变负荷燃烧系统建模

锅炉燃烧系统是一个典型变量多、耦合性强、大滞后、多输入/多输出的动态系统,构建符合实际工况的燃烧系统模型十分困难。本文提出一种新的基于双向门限循环单元(Bi-GRU)的锅炉燃烧系统建模方法,建立了变负荷(低、中、高负荷)工况下燃烧系统训练模型。同时,采用梯度提升决策树(GBDT)降低输入特征矩阵维数。GBDT模型可以在不同的负荷与输出下评估输入特征的权重,能在保留特征原有物理意义的基础上识别出权重比例最大的特征。基于GBDT的特征选择模型既能降低原始输入维数,又可以为后续燃烧控制策略提供理论指导。实际运行数据计算结果表明,Bi-GRU和GBDT建立的新的燃烧系统模型能够准确地反映不同负荷下主蒸汽流量、主蒸汽压力和NO_(x)排放量的动态变化。与传统的循环神经网络(RNN)模型相比,本文新模型的精度和性能都有显著提高,并且结构简单,计算量小。

基于梯度提升决策树模型的冷连轧机颤振研究

冷连轧生产过程中,由于轧机振动异常可能造成产品质量问题甚至发生断带等影响正常生产,极大限制了生产效率。目前已有钢铁企业实现在线颤振监测,但监测系统只能通过振动报警后再进行降速等方式来抑制振动。针对冷连轧振动难以建立精确的传统机理模型,利用现场实测生产数据,建立梯度提升决策树模型进行振动能量回归,并利用梯度提升决策树算法特性进行特征选择以寻找影响振动的重要因素并进行模型简化。实际生产数据仿真结果表明,通过梯度提升决策树所建模型能够有效选取重要因素、降低模型复杂度,而且建立的回归模型能够准确反映轧制振动能量的变化趋势。

基于梯度提升决策树的高速公路交织区汇入模型

为研究高速公路匝道车辆在交织区的汇入行为,基于梯度提升决策树(GBDT)建立了车辆汇入模型,引入超车时间T、拒绝间隙数N以及最大拒绝间隙G_(LR)来分析匝道车辆拒绝相邻间隙并超越主线前车的行为,并利用美国NGSIM项目中的车辆轨迹数据对模型进行训练和测试.结果表明:GBDT的预测精度较分类回归树和二元Logit模型分别提高5.3%和13.3%;引入变量T,N,G_(LR)使GBDT、分类回归树和二元Logit模型的预测精度分别提高6.0%,6.7%和5.3%;GBDT模型中超车时间T在所有变量中重要性值最高.GBDT模型能够准确地预测汇入行为,获得变量与汇入行为间隐藏的非线性关系;引入变量T,N,G_(LR)能够有效提高汇入模型的预测精度.

基于梯度提升决策树的高速公路交织区汇入位置模型

匝道车辆的汇入行为对高速公路交织区的通行能力有重要的影响,汇入位置是汇入行为中最重要的行为参数之一.本文利用梯度提升决策树(GBDT)建立了一个车辆汇入位置模型并对各变量进行了分析.考虑到汇入行为是一个二维驾驶行为,我们在模型中引入了车辆进入辅助车道时的初始横向位置这一变量.利用NGSIM中的车辆轨迹数据对模型进行训练,并与Lognormal进行对比.结果表明,GBDT模型在AIC,BIC和R2这3个指标上均大幅优于Lognormal模型.最后,本文对解释变量的重要性和其偏效应进行了分析,其中初始横向位置的重要性最高;敏感性分析表明,GBDT模型能够深度挖掘汇入位置与变量之间隐藏的非线性关系.