应用堆叠融合模型和点云数据的树种分类

2021年6月份,以福州市三江口生态公园为研究区域,应用科卫泰的六旋翼无人机KWT-X6L-15搭载RIEGL VUX-1UAV三维激光扫描仪采集数据,获取8种共计444棵优势树种点云数据;使用LiDAR360激光雷达点云数据处理分析软件对激光雷达(LiDAR)点云数据预处理后,进行单木分割操作,提取树木参数,筛选得到树高、地径、枝下高、冠幅面积、冠高、胸径、95%百分位高度7个单木特征参数;使用堆叠(Stacking)融合模型应用点云数据提取的参数因子进行树种分类,分类结果与常用的支持向量机、随机森林、K最近邻模型3种模型分类结果进行对比,分析堆叠融合模型应用点云数据进行树种分类的准确度、卡帕(Kappa)系数、精确率、召回率等。结果表明:堆叠融合模型的树种分类,准确度达79.72%、卡帕系数为0.7681;支持向量机、随机森林、K最近邻模型3种模型的分类,准确度分别为60.14%、67.57%、63.95%,卡帕系数分别为0.5443、0.6327、0.5829;堆叠融合模型对树种分类的效果,整体优于K最近邻模型、随机森林模型、支持向量机模型3种常用模型。堆叠融合模型对水杉(Metasequoia glyptostroboides)、小叶榕(Ficus concinna)、朴树(Celtis sinensis)、南洋杉(Araucaria cunninghamii)的识别效果更好,对水杉分类精确率达到90.91%,对小叶榕、朴树、南洋杉的分类精确率也能达到80%。不同树种分类模型对同一种类树木的分类精度存在明显差异,在所选试验树种中堆叠融合模型适用性更高。

基于embedding和模型堆叠融合算法的用户流失分析模型的应用研究

本文以中国电信某省一个本地网3个月的真实公众客户基本信息、语音数据短信业务信息等数据,通过数据预处理、特征工程、模型训练、预测分析等成熟方法论,结合组合特征、word2vec生成embedding特征向量、BaggingClassifier/XGBoost/LightGBM模型堆叠融合算法等手段,重点解决了用户流失告警模型中特征不突出、单模型训练预测效果不明显等问题。经过本地网生产应用评估,本文提出的基于embedding和模型堆叠融合算法的用户流失预测模型算法,精准定位潜在的流失公众客户范围,并通过市场部门"对症下药",匹配合适的挽留政策,明显提升了存量客户经营效率,为全国各省各本地网存量用户流失建模提供了较好的借鉴模板。