基于改进贝叶斯模型的高校毕业生就业预测方法

为提高高校毕业生就业预测的准确度,引入改进贝叶斯模型,提出一种全新的毕业生就业预测方法。首先,建立高校毕业生就业影响因素分析模型,对毕业生就业数据进行预处理,获取待预测属性与数据集中其他属性之间的相关性;其次,利用改进贝叶斯模型提高就业确信程度,对高校毕业生就业情况作出预测;最后,进行实验对比分析。实验结果表明,该方法的F1值均在0.8以上,预测结果的准确率和召回率得到了显著提升。

基于自学习规则和改进贝叶斯结合的问题分类

根据对中文问题的分析可知,问题中的疑问词和中心词等关键词对问题所属类型起着决定性的作用。提出利用自学习方法建立疑问词—类别和疑问词+中心词—类别两种规则,并结合改进贝叶斯模型的问题分类方法。该方法充分利用了关键词对分类的贡献。实验结果表明,该分类方法有很大的改进,准确率达到了84%。

基于田间试验的土壤水分运动模型选择

基于不同形式Richards方程可建立不同适用范围和计算精度的数值模型,针对具体情况下如何选择合适模型的问题,以武汉大学农田水利试验场田间入渗试验为例,选用6种模型(Picard-h模型、Picard-θ模型、Picard-mix模型、Ross模型、动力波模型和水均衡模型),运用贝叶斯模型平均(BMA)方法进行了模型选择的计算;针对BMA方法无法考虑模型计算效率的缺点,进一步提出了可同时考虑模型计算精度与计算效率的改进BMA方法。计算结果表明,在本田间尺度问题中,Ross模型排序最高,说明其兼具高精度与高效率,改进BMA方法可增加高计算效率模型被选中的概率,使模型选择更加全面合理。

基于改进贝叶斯算法的生产实时数据管理系统中的数据融合问题研究

文对贝叶斯模型进行改进,构建实时数据融合模型,改进后的贝叶斯模型在多源异构实时数据融合中的表现显著优于其他模型。从均方误差和平均绝对误差两个关键指标来看,改进后的贝叶斯模型的MSE为469.52,MAE为109.27,均为所有模型中最低。

ECMWF集合预报和确定性预报对淮河流域暴雨预报的对比分析

本文运用2012年5—9月欧洲中期天气预报中心(ECMWF)的集合预报系统(Ensemble Prediction System,EPS)和确定性模式(High-resolution Deterministic forecast,HDet)资料对比分析了淮河流域暴雨的预报效果。对于集合预报,主要对比了基于EPS的日降水量极端天气预报指数(Extreme Forecast Index,EFI),和改进的贝叶斯模型平均(Modified Bayesian Model Averaging,MBMA)法对降水的订正后概率。由于ROC(Relative Operating Characteristic)检验是与模式的系统性偏差无关的,所以选用ROC检验,对比了不同空报率下的TS评分,以及不同方法的相对经济价值。对比检验的结果显示,各时效预报MBMA预报效果最好,其次是HDet,EFI的预报效果最差,其中2 d内的预报HDet接近MBMA,随着预报时效的延长,MBMA相对于HDet和EFI的优势不断增强。在不同标准下确定三种方法对淮河流域暴雨预报的阈值,结果显示MBMA同样优于HDet,EFI预报效果最差。但MBMA的优势是通过增加预报偏差得到,如果将预报偏差限定为主观预报的1.37,此时MBMA的效果和HDet的效果接近。

基于自然语言处理和机器学习的疑似土壤污染企业识别

针对污染场地识别的精准性不高、科学性不足、全面性不够和数据共享难度大等问题,以南方某地级市为研究区,借助大数据平台,基于自然语言处理和机器学习,通过引入摘要中热词权重构建改进型朴素贝叶斯模型,并对兴趣点(POI)数据进行中类行业预测和污染企业识别。结果表明,与随机森林算法和XGBoost算法相比,朴素贝叶斯算法的性能最佳;企业名称+经营范围构建有语义词汇库后,朴素贝叶斯算法的准确率、召回率和综合评价指标(F1)值得到大幅提升,分别提高了0.23、0.23和0.23;采用权重1.27和平滑参数α为1.10后,建立了改进型朴素贝叶斯模型,实现了行业类别预测,相应的准确率、召回率和F1值分别为0.63、0.62和0.63;识别出研究区中26个疑似土壤污染行业有关1 774家企业。改进型朴素贝叶斯模型能够有效地预测疑似土壤污染企业,具有较好的准确率与召回率,能够为场地污染识别与风险管控实践提供理论依据和设计参数。