多元自适应回归样条算法模拟川中丘陵区参考作物蒸散量

参考作物蒸散量(reference crop evapotranspiration, ET0)是作物精准灌溉管理与农业高效用水的核心参数。为提高川中丘陵区气象资料缺省下的ET0预报精度,利用不同的气象因子组合,建立15种基于多元自适应回归样条算法(multivariate adaptive regression splines, MARS)的ET0预报模型。选取11个代表性气象站点1961-2016年逐日气象资料进行分析,将其与其他ET0预报模型进行对比,并利用可移植性分析评价MARS模型在川中丘陵区的适用性。结果表明:基于温度和风速项输入的MARS5(输入大气顶层辐射、最高气温、最低气温、2m处风速)、MARS9(输入最高气温、最低气温、2 m处风速)和MARS13(输入最高气温、2 m处风速)模型,以及仅基于风速项输入的MARS15模型都具有良好的模拟精度;大气顶层辐射和风速是决定机器学习模型地域性适应能力的关键;引入大气顶层辐射后,MARS6(输入大气顶层辐射、最高气温、最低气温、相对湿度)、MARS7(输入大气顶层辐射、最高气温、最低气温、日照时长)、MARS8(输入大气顶层辐射、最高气温、最低气温)模型均优于相同气象因子依赖下的Irmak-Allen、Irmak、Hargreaves-M4模型;通过可移植性分析发现,在训练站点和测试站点的随机交叉组合下,MARS5模型保持了较高的精度(纳什效率系数和决定系数均大于0.985),且输出较为稳定的模拟结果,均方根误差变化范围为0.121~0.193 mm/d,平均相对误差变化范围为2.7%~4.2%。因此,基于多元自适应回归样条算法的ET0预报模型可作为川中丘陵区ET0预报的推荐模型。

基于多元自适应回归样条的黄土区滑坡敏感性评价

[目的]探讨和评价致灾因子对黄土滑坡敏感性区划的影响,以辅助滑坡灾害的监测、预警和防治。[方法]在因子筛选和独立性检验基础上,基于多元自适应回归样条模型(MARS)自主分割数据,正向拟合若干基函数,同时构建了铰链函数在各基函数之间建立连接机制,进而反向自我修正,剔除或修改部分基函数,实现自主选择致灾因子和给出因子权重,最后引入了概率比(PR)模型做精度对比分析。[结果](1)MARS模型的基函数物理含义明确,极大地降低了模型的复杂度,易于GIS空间分析实现;(2)评价因子的多重共线性和相关性检验有助于MARS模型优化;(3)MARS模型对极高敏感区和高敏感区的划分较PR模型更为严谨、客观,且滑坡敏感等级区划结果是所有参评因子综合作用的结果,关键因子对评价结果的影响并不明显。[结论]MARS模型在铜川市耀州区黄土滑坡敏感性评价研究中,ROC曲线的AUC值为0.879,整体拟合效果好,与野外实地勘察结果相吻合,结果可靠。

基于改进的多元自适应样条回归的全局近似算法

复杂模型的全局近似方法可应用于参数试验、灵敏度分析、实时仿真和设计或控制优化等很多方面。多维模型的全局近似使用的方法通常有PRS(多项式响应面),Kriging(克里格法),RBF(径向基函数),SVR(支持向量回归)和MARS(多元自适应样条回归)。虽然传统的MARS有着不容置疑的优势,但是MARS存在的缺点限制了它的应用范围。论文提出了一个改进的MARS多维全局近似方法:用黄金分割方法优化向量点,提高了采样点的构建速度,从而提高了MARS的近似效率。

基于多元自适应回归样条的青藏高原温泉区域的冻土分布制图

以探地雷达、电磁测深、钻探等技术方法获得野外数据及数字高程(DEM)遥感数据为基础,通过聚类分析和相关性分析对高程、坡度、坡向等因素对多年冻土分布的影响进行了定量化研究.利用非线性的多元自适应回归样条(MARS)方法建立了基于高程、太阳辐射的多年冻土分布模型,通过自身的交叉验证及对比年平均地温模型和逻辑回归模型的总体分类精度,说明MARS模型具有较好的分类精度.运用MARS模型模拟了整个温泉区域冻土的空间分布特征.结果表明:MARS模型分类精度较高,验证了此模型模拟温泉区域冻土分布的可行性;此模型除了考虑高程对对多年冻土分布的控制作用外,还体现了太阳辐射这一局地综合因素对多年冻土分布的调整作用,较好地模拟了高程相对较低的低山区多年冻土的存在.

信用评级的新方法——多元自适应回归样条在民营企业信用评级中的应用

通过建立多元自适应回归样条模型,对民营企业是否违约进行两等级划分,结果表明总体正确率达95.9%,对第二类错误的判别正确率达80%,均高于多元判别分析模型和Logistic回归模型。因此可以证明,多元自适应回归样条模型应用于判别民营企业的信用等级具有较好的实践价值。

基于多元自适应回归样条的室内温度影响因素分析

为了对室内温度影响因素进行分析,引入了多元自适应样条回归模型。使用多元自适应样条算法对室外因素(室外温度、太阳辐射、风速、时间)、不同材料墙体、窗户朝向以及不同楼层等影响因素进行分析研究。结果表明:室外因素中对室内温度影响程度最大的是室外温度,其影响系数为0.405;墙体材料的导热系数为0.93时,其保温性越差,对室内温度影响越大,其影响系数为0.530;西向、东向、顶层和底层的房间保温性最差,对室内温度影响最大,其影响系数分别为0.706、0.423、0.610、0.580。对室内温度影响因素分析,可以为建筑节能减排提供依据。

基于多元自适应回归样条方法的RMR系统预测岩体变形模量

在采用岩土分级系统RMR估计变形模量时,需假设组成系统的所有参数对变形模量有着完全相同的关系,这一内在假设降低了经验公式的精度。为此,引入多元自适应回归样条(MARS)构建模型。实例分析表明,MARS模型的适用性较好,各项指标均优于多元线性模型和多项式模型;MARS模型对变量的重要性分析表明,测量深度、完整岩石的单轴抗压强度(UCS)和岩石质量指标(RQD)对变形模量有更强的影响,而地下水情况(GW)与变形模量不存在相关性。

基于多元自适应回归样条的光伏并网系统日输出功率预测

为了更加准确、灵活地预测光伏发电系统的输出功率,提出了基于多元自适应回归样条(MARS)的光伏系统输出功率预测方法。通过对该算法的原理进行分析,确定了模型分析流程,并介绍了数据来源。其次,以气温、日照时间等因素作为自变量,对MARS模型进行了分析研究,确定了光伏功率预测时的仿真模型。最后,将提出的预测方法与现有的预测方法进行了对比。通过训练数据以及测试数据对比分析各种方法的RMSE、MAD和MAPE,并根据历史数据预测光伏日输出功率。通过对比证实了MARS模型比其他模型更能准确预测光伏系统的输出功率。

基于多元自适应回归样条的高维岩土工程问题分析

为解决岩土工程中多元变量间的非线性相关问题,采用一种非参数回归算法--多变量自适应回归样条建立对目标参数的预测模型。该算法基于大量可靠的岩土监测数据,运用简单线性样条函数的组合对输入、输出参数进行相关性拟合,生成显性表达式,同时得到各输入参数的相对重要性。通过桩的可贯入性、地下洞室稳定性分析2个实例,对该方法进行评估。2个实例中测试集的决定性系数R^2分别为0.921和0.986,最重要的输入参数分别是桩材料的弹性模量和围岩质量,表明该方法可较精确地拟合多元输入参数与输出参数间的相关性,可用于未知响应的预测。

基于多元自适应回归样条的交织区合流交互作用研究

为研究交织区车辆合流过程中的交互作用,基于多元自适应回归样条(MARS)构建车辆合流交互作用模型,从美国NGSIM数据集中US-101车辆轨迹数据提取影响合流车辆与周围车辆加速度的相关变量,引入车身碰撞时间(TTC)和车线冲突时间(TLC)2个交通安全指标作为影响变量,在交叉验证的基础上,获取合流车辆与周围车辆的最佳参数组合和加速度表达式.结果显示,MARS模型对合流车辆加速度的预测精度显著高于主线车道的领车和跟车;TTC和TLC对合流车辆与周围车辆都具有显著的影响;模型对加速度的预测精度远高于基于视角的刺激反应(VASR)模型,略低于梯度提升树(GBDT)模型,但MARS模型的复杂程度远低于GBDT模型,且能够提供相应的显性表达式,更有利于工程应用.研究表明,MARS模型能够有效预测合流交通流中的车辆交互行为,揭示合流车辆与周围车辆不同影响变量之间的交互作用,深度挖掘变量间的潜在关系,其预测结果精度较高,能够提供显性表达式,得到的车辆加速度曲线较为平顺,有利于在辅助驾驶系统中的应用.

基于多元自适应回归样条的2型糖尿病患者糖化血红蛋白达标的影响因素分析

目的调查天津地区2型糖尿病患者糖化血红蛋白(HbA1c)的控制情况并探讨其影响因素。方法以2015年1月-2017年8月天津市19家医院的1632例2型糖尿病门诊患者为研究对象,应用多元自适应回归样条分析HbA1c达标情况的影响因素。结果在1632例2型糖尿病患者中,HbA1c达标的患者有711例,达标率为43.57%。年龄小,BMI低,有家族史,病程短,无相关并发症,尽早接受胰岛素治疗,每周运动次数多,无高血压,空腹血糖低和餐后2h血糖低的患者达标率较高(P<0.001)。多元自适应回归样条模型结果显示,BMI低于22.43kg/m^2、空腹血糖低于8.8mmol/L、餐后2h血糖低于10.6mmol/L,有利于HbA1c达标,而胰岛素剂量大于18U,年龄>50岁与空腹血糖<8.8mmol/L的交互作用以及BMI<22.43kg/m^2与胰岛素剂量低的交互作用则不利于HbA1c达标。结论天津地区2型糖尿病患者的HbA1c达标率较低,有待进一步提高。鉴于影响HbA1c达标的因素之间存在交互作用,医务人员应该采取综合的干预措施来进一步控制患者的HbA1c水平。

基于多元自适应回归样条的亚组识别方法

随着科技的进步和医疗水平的提高,越来越多治疗方法被发现可能存在受益亚组人群[1-2],因此亚组识别被逐渐重视起来。近年来,一些亚组识别方法已被提出,Forster等人针对二分类结局变量,提出"虚拟双胞胎"的方法[3],预测患者分别处于试验组和对照组下阳性事件的发生率,以概率之差作为因变量拟合决策树进行亚组识别。Sysoev等人在虚拟双胞胎的基础上进行了拓展[4],提出一种可适用于连续型结局变量的亚组识别方法。

基于多元自适应回归样条的页岩密度计算模型

页岩密度是页岩气甜点评价的重要参数,但大量的水平井不开展密度测井甚至不测井,导致评价参数匮乏。通过分析岩石密度的求取方法与多元自适应回归样条的原理,设定调优参数开展模型训练,建立利用元素录井数据计算页岩密度的计算模型。计算结果对比表明,基于多元自适应回归样条算法的模型计算精度高,与实测数据差异小。应用结果表明,页岩密度计算模型能为页岩气水平井段提供重要的评价参数,结合气测等常规录井数据,能有效用于开展页岩气水平井分段评价,为储集层评价与测试选层提供了更多依据。

Bagging算法在混合适应性样条中的应用

本文通过分析Bagging算法在混合适应性样条估计中的作用,提出了一种新的空间适应性非参数函数估计算法.模拟研究表明该算法在空间适应性上具有明显优势,在估计精度和稳定性方面也可与其他同类方法相媲美,并且易于推广到多元情形.

基于多元自适应回归样条的汇合决策行为模型

为研究高速公路车辆汇合决策行为,采用一种非参数回归模型——多元自适应回归样条(multiple adaptive regression splines,MARS)模型建立了汇合决策行为模型。同时,采用美国下一代仿真(next generation simulation,NGSIM)项目中搜集的车辆轨迹数据US-101数据集,提取了速度差、纵向间距、横向位置和车线碰撞时间等参数作为影响变量,进行训练和预测,并与分类回归树、梯度提升决策树、随机森林、逻辑回归等模型进行对比。研究结果表明:汇合车辆与主线车道前车之间的速度差对汇合决策行为影响最大;MARS模型和梯度提升决策树模型对汇合决策行为的预测错误率分别低至0.141和0.138,准确性略高于分类回归树、随机森林和逻辑回归模型,但MARS模型的复杂度远低于梯度提升决策树模型,且能够生成显性表达式,反映影响变量之间的交互作用,利于工程应用。MARS模型能够准确预测汇合决策行为,可用于车辆辅助驾驶及自动驾驶系统。

MARS模型在渭河流域参考作物蒸散量计算中的适应性研究

为有效提高气象资料缺失时渭河流域参考作物蒸散量(ET_(0))计算精度,选取流域及附近20个气象站58 a(1960-2017年)逐日气象资料,基于不同气象要素组合,构建16种基于多元自适应回归样条(MARS)的ET_(0)计算模型,并将计算结果与Hargreaves-Samani、Makkink和Irmark-Allen模型进行对比,评价MARS模型在渭河流域的适应性及可移植性。结果表明:MARS模型能很好地甄别ET_(0)与各输入因子间的非线性关系,MARS2(T_(max)、T_(min)、R_(a))计算精度(平均MAE为0.225 mm/d,平均RMSE为0.327 mm/d,平均R2为0.897)能满足应用要求,模型精度随输入气象要素数量的增加而升高;输入因子中引入地球外辐射R_(a),可明显提高MARS模型精度;在输入因子相同时,MARS模型精度高于Hargreaves-Samani、Irmark-Allen和Makkink模型;MARS模型在渭河流域具有很强的泛化能力和可移植性。因此,气象资料缺失时基于MARS建立的ET_(0)计算模型可作为渭河流域ET_(0)计算的推荐模型。

基于LSTM的多因素石灰窑煅烧带温度预测研究

针对石灰窑煅烧过程易出现燃烧不平衡的问题以及石灰窑煅烧系统的滞后性,提出了大数据分析+神经网络的解决方案。利用大数据分析对石灰窑多源历史数据进行数据融合插补,采用多元线性回归方程分析空间因素对温度的影响,通过时间滑窗提取特征,在此基础上利用长短期记忆神经网络(LSTM)算法构建多因素模型,并采用自适应运动估计算法进行优化。实验结果表明:较单因素LSTM模型,多因素LSTM模型有效提高了石灰窑温度预测精度,现场可根据预测值提前调整工艺参数,实现了石灰窑局部温度预测。

基于LZW算法和贝叶斯MARS的入侵检测研究

提出了一种基于LZW算法的入侵检测算法。使用系统调用序列作为特征数据,采用LZW算法对系统调用序列数据进行变长短序列划分,同时对短序列进行压缩,并在应用的过程中对LZW算法进行适当调整以适应序列的划分。通过贝叶斯多元自适应回归样条(贝叶斯MARS)模型,对正常和异常序列进行分类并标识入侵。实验结果表明,基于LZW变长序列划分方法符合系统调用序列的内在规律,在较高压缩比的情况下,获得了很好的检测性能。LZW算法与贝叶斯MARS相结合的入侵检测算法,对各种数据表现稳定,具有一定可行性和实用性。

基于MARS的岩石抗拉强度预测模型

将无损检测技术与机器学习相结合,通过建立预测模型来快速确定岩石抗拉强度已经成为热门研究方向之一。为了建立预测模型,提出一种基于多元自适应回归样条(MARS)的数据驱动建模技术,用于岩石抗拉强度预测。共收集了80组试验数据,包括施密特回弹数、干密度、点荷载强度指数以及巴西抗拉强度。所有数据被随机分为2个部分,其中70%的数据用于训练模型,剩余30%的数据用于测试模型性能。同时开发了人工神经网络、支持向量机和决策树3种数据驱动模型。选择了4种常用的模型性能评价指标,分别为均方根误差、平均绝对误差、相关系数和决定系数,以此来对所开发模型的预测性能进行比较。结果表明:所开发的智能模型均能够提供较高的预测精度,其中MARS模型性能优于其他3种模型,支持向量机和人工神经网络模型次之,决策树模型相对较差。值得一提的是,MARS模型能够通过方差分析来评估每个变量的相对重要性。研究成果有助于快速确定岩石抗拉强度。

多元自适应回归样条法的滑坡敏感性评价

针对一般滑坡敏感性评价方法不能有效筛选滑坡条件因子的问题,以中国新疆维吾尔自治区新源县为研究区,基于15个滑坡敏感性条件因子,利用多元自适应回归样条法构建了滑坡敏感性指数预测模型,并自动筛选出研究区滑坡敏感性条件因子,在此基础上,实现了新源滑坡敏感性制图。此外,使用逻辑回归方法与多元自适应回归样条法进行精度对比分析。结果显示,采用多元自适应回归样条法构建的滑坡敏感性模型精度优于逻辑回归,其成功率曲线的精度为0.9454,预测率曲线的精度为0.9238。同时,模型还筛选出新源县滑坡重要影响条件因子(高程、坡度、降雨量、距断层距离、归一化差分植被指数、平面曲率、岩组)。研究表明,利用多元自适应回归样条构建的新源县滑坡敏感性模型是滑坡预测的有效方法,可为防灾减灾提供决策支持。