基于梯度提升决策树模型的铁路货运装卸时间预测技术

铁路货运装卸时间的精准预测可提升铁路货运系统的调度合理性和服务质量,但装卸时间受多种因素影响。文章针对铁路货运装卸时间预测问题,从铁路货运运单全流程信息中挖掘运单属性与货运装卸时间的关系,以分类与回归树为基础模型,在LightGBM框架下构建梯度提升决策树模型;对铁路货运运单全流程信息中的相关数据进行整合、对数变换、增加特征等预处理,形成运单数据集;采用该数据对构建的模型进行训练,结果表明,构建的模型对货运装卸时间的预测性能优于与其对比的其他机器学习模型。将该模型应用在实际货运装卸业务场景时,实际准确率依旧高于其他对比模型。

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.

基于近红外光谱和梯度提升决策树建立当归药材及伪品的定性判别模型

目的建立NIRS技术快速无损鉴别当归药材及其伪品的方法。方法采集当归及伪品断面的近红外光谱,结合模式识别法分析药材,用主成分分析(Principal component analysis,PCA)进行定性分析;对比梯度提升决策树(Gradient Boosting Decision Tree,GBDT)、支持向量机(Support Vector Machine,SVM)、人工神经网络(Artificial Neural Network,ANN)3种当归真伪判别模型的分类效果;利用RF筛选特征波长优化所建模型。结果PCA无法有效区别当归及其伪品;与ANN、SVM相比,GBDT具有更高的准确性,训练集与预测集的总体准确率分别为94.39%和90.38%;而后以RF选取出20个特征波长,建立的近红外特征光谱判别模型训练集和预测集的总体准确率也达到了91.59%和86.54%。结论近红外光谱技术结合GBDT鉴别当归药材真伪鉴别是可行的,为当归药材真伪快速无损鉴别提供了一种新方法。

基于梯度提升决策树的焦炭质量预测模型研究

焦炭是高炉炼铁的重要原料,其质量是影响铁水质量和高炉顺行的重要因素,针对焦炭质量存在检验难、滞后性、预测误差大等问题,提出一种基于梯度提升决策树算法的焦炭预测模型;结合专家经验与相关性分析方法,深入研究配合煤质量对焦炭质量的影响;最后利用配合煤质量指标对焦炭质量指标灰分、硫分、耐磨强度、抗碎强度进行建模预测;根据某焦化厂历史生产数据对模型进行评估,实验结果表明:基于梯度提升决策树的焦炭质量预测模型相较于线性回归模型、随机森林模型,决策树模型误差小、准确率高,可以为焦化厂配煤炼焦提供一定的理论依据。

基于梯度提升决策树的情境感知推荐模型

[目的/意义]旨在深入研究情境信息对用户偏好的影响,提高情境感知推荐的准确性。[方法/过程]提出了基于梯度提升决策树的情境感知推荐模型,根据梯度提升决策树计算情境属性权重,将其与传统协同过滤算法相融合,生成情境感知推荐结果。[结果/结论]该模型可以识别影响用户偏好的重要情景属性,为用户提供个性化推荐服务。

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。

基于交叉验证梯度提升决策树的管道腐蚀速率预测

基于集成学习的思想,在梯度提升决策树算法的基础上建立管道腐蚀速率预测模型,并使用网格搜索与交叉验证方法进行超参数寻优。利用某输油管道的腐蚀实测数据对模型进行验证,并与广泛使用的BP神经网络与支持向量机模型的预测结果作比较。结果表明:梯度提升决策树模型预测结果的平均绝对百分误差为2.25%,低于BP神经网络的6.03%和支持向量机的7.99%,说明梯度提升决策树模型具有更高的预测精度和更优的泛化能力,并且该模型具有可解释性强的优点,可为将来的管道腐蚀速率预测提供一种更加实用的新方法。

基于梯度提升决策树的车轮轮缘厚度磨耗预测

轮对在列车走行过程中起着导向、承受以及传递载荷的作用,其踏面及轮缘磨耗对地铁列车运行安全性和钢轨的寿命都将产生重要影响。根据地铁列车车轮磨耗机理,分析车轮尺寸数据特点,针对轮缘厚度这一型面参数,基于梯度提升决策树算法构建轮缘厚度磨耗预测模型。在该模型的基础上,任意选取某轮对数据进行验证分析,结果表明:基于梯度提升决策树的轮对磨耗预测模型具有较好的预测精度,可预测出1~6个月的轮缘厚度变化趋势范围,预测时间范围较长,可为地铁维保部门对轮对的维修方式由状态修转为预防修提供指导性建议。

基于梯度提升决策树的鼠标轨迹识别方法与研究

如今许多不法黑客企图通过编写程序让机器模拟人的行为通过验证码检测,这将导致许多网络安全问题的出现。文章所做的鼠标轨迹识别研究工作,是为了能更好地分辨拖拽式验证码所产生的轨迹是人为还是机器所为,使得验证码技术可以更好地抵御黑客攻击,从而阻止许多网络安全问题的发生。使用2017腾讯大数据挑战赛所提供的鼠标轨迹数据集,采用Python语言进行数据处理,提取出八个鼠标轨迹特征,并通过特征相关性对特征进行筛选得到六个有效特征,使用这六个有效特征构建决策树后通过梯度提升算法叠加多个决策树,以提高拟合度,最终生成梯度提升决策树识别模型,并对鼠标轨迹进行识别,识别准确率为0.9472。该识别模型与决策树识别模型、逻辑回归识别模型、支持向量机识别模型进行对比,得出基于集成学习方法的梯度提升决策树生成的模型识别准确率和AUC值最高。验证码产品采用该识别模型对鼠标轨迹进行识别能够使其更加不易被破解。

基于特征选择与梯度提升决策树的球团矿抗压强度预测

抗压强度是评价球团矿质量的重要指标,也是球团生产的核心控制目标,但其检测周期长、控制严重滞后。因此,实时准确预测球团矿抗压强度对提升和稳定球团质量具有重要意义。提出一种基于Filter和Wrapper混合特征参数遴选结合贝叶斯优化算法的球团矿抗压强度预测方法,采用现场生产数据对模型进行训练与测试,预测结果表明:特征选择和贝叶斯优化算法的引入可以明显提升模型的预测精度,基于特征选择和贝叶斯优化的梯度提升决策树(GBDT)模型的拟合效果最好,预测准确率达95.31%,为球团矿质量的优化控制奠定了良好的基础。

基于不同提升树模型的河道水沙运移规律与模拟研究

为找出河道水沙运移模拟的最优模型,以梯度提升决策树(CatBoost)模型为基础,在鲸鱼算法(WOA)中引入Logistic映射、自适应权重和交叉变异处理,得出优化鲸鱼算法(MWOA),构建了MWOA-CatBoost模型,为验证模型精度,将MWOA-CatBoost模型与3种优化CatBoost模型和2种传统提升树模型(极端梯度提升树XGBoost、自适应提升树Ada Boost)进行了对比,结果表明,MWOA-CatBoost模型在所有模型中精度最高,可作为河道水沙模拟的推荐模型使用。

ARDS预后预测的评估框架:数据集、模型和特征

急性呼吸窘迫综合征(acute respiratory distress syndrome,ARDS)预后旨在根据患者的身体状况预测后期出现某种风险的概率,有效的预后方案能极大降低死亡率,优化资源分配。近年来,研究人员通过增强模型计算能力的方式提升了预后的时效性和准确率。然而,ARDS预后研究中数据格式不统一和评估基线不一致等问题突出,限制了ARDS预后研究的深入发展。为解决上述问题,本文提出了ARDS预后预测的评估框架。一方面,提出了针对多源数据的治理方案,解决了ARDS数据格式不统一的问题;另一方面,该框架形成了由13种机器学习模型和20种特征集合组成的评估体系,解决了评估基线不一致的问题。实验结果表明,该框架有效解决了上述问题并评估了数据集、模型和特征的影响程度。

基于朴素贝叶斯和GBDT的提前采购决策模型

电子元器件供应链服务中,传统流程无差别地对所有客户订单型号确认客户交易意愿,导致启动采购的时机存在滞后性,增加了交易失败的风险。为了对高可信的交易提前启动采购流程,分别使用朴素贝叶斯和梯度提升决策树(Gradient Boosting Decision Tree,GBDT)两种算法预测最终能进入采购流程的订单型号。结果表明,使用朴素贝叶斯算法的正样本召回率为74.65%,负样本召回率为63.51%,略低于业务负责人的预定目标;而使用GBDT算法的正样本召回率为84.99%,负样本召回率为76.07%,达到了业务负责人的预定目标。

基于大数据与人工智能技术的理财客户流失预警模型研究与实现

理财客户存在到期后将资金转至行外不再购买该行理财产品的情况,如果能够提前发现这类将要流失的客户,进而针对性地对客户营销挽留,可以有效减少理财业务规模下降。通过对存量理财客户进行机器学习算法建模,基于Spark大数据与人工智能技术,根据客户的理财到期月数据构建流失预警模型,预测其下月底是否会真正流失,从而可以在客户真正流失之前做出相应的营销干预。结果表明,使用梯度提升决策树(Gradient Boosting Decision Tree,GBDT)算法准确率(Accuracy)为93%,召回率(Recall)为95%,AUC(ROC曲线下的面积)值达到0.91,对客户流失预测取得较好效果。

基于CNN-XGBoost模型的光伏功率预测

为提升光伏功率的预测精度,首先,对数据预处理,包括缺失值处理及归一化处理;其次,利用皮尔逊相关系数分析出与光伏功率最匹配的气象因素,减少模型的输入维度,降低模型复杂度;最后,基于卷积神经网络-极限梯度提升决策树(convolutional neural network-extreme gradient boosting, CNN-XGBoost)组合预测模型进行测试。测试结果表明本文所提模型可以降低预测值的均方根误差,有效地提升了光伏功率预测的精度。

基于GBDT的沥青路面抗滑性能感知模型研究

为了克服接触式路面抗滑性能测试方法适用范围局限、稳定性与可重复性较差的缺陷,文章通过非接触式三维激光扫描技术建立沥青路面抗滑性能梯度提升决策树(GBDT)感知模型。研究选取巴通万高速公路上的12个测试站点,收集了216组原始数据,对路面三维纹理数据进行面积分层,并提取宏微观纹理指标。然后将不同面积占比下的宏微观纹理特征指标、测试温度及摩擦系数BPN分别代入模型中,并与决策树、随机森林、线性回归三个模型进行对比分析。研究表明,以40%为最佳切割面,GBDT路面抗滑性能感知模型准确度更高、稳定性更好,测试集R2达到0.8732,能够准确有效地评估沥青路面抗滑性能。GBDT感知模型参数重要性分析结果显示:温度对沥青路面抗滑性能具有显著性影响,针对不同的评价指标,其宏微观纹理特性对路面抗滑性能的影响差异性较大。研究验证通过非接触式路面纹理测试替代现有的接触式路面摩擦测试的可能性,所建立的指标体系和模型以期推动路面抗滑性能测试技术的进步。

基于机器学习的急诊预检分诊模型应用研究

目的:落实急诊预检分诊制度,减少预检分诊环节人工干预,提高急诊预检分诊的标准化程度和准确率。方法:将以机器学习为代表的人工智能技术应用于急诊预检分诊环节。结果:基于机器学习的分诊模型在总体性能,尤其是三、四级分诊方面优于传统分诊模型。结论:人工智能技术在急诊预检分诊环节的应用,可有效提高急诊预检分诊准确率,对优化急诊资源利用率,提高患者救治效率具有重要意义。

梯度提升决策树在预测急性心肌梗死患者PCI后住院期间发生心力衰竭中的应用价值

目的探讨梯度提升决策树(GBDT)在预测急性心肌梗死(AMI)患者PCI后住院期间发生心力衰竭(HF)中的应用价值。方法回顾性选取2021—2022年于南宁市第二人民医院行PCI的AMI患者200例为研究对象。将患者分为训练集(145例)和测试集(55例)。根据PCI后住院期间HF发生情况,将训练集患者分为HF组(48例)和非HF组(97例)。收集患者一般资料及PCI前实验室检查指标、心脏彩超检查指标。基于单因素分析结果,采用R 4.1.2软件分别构建预测AMI患者PCI后住院期间HF发生风险的GBDT算法模型和Logistic回归模型;分别采用ROC曲线、校准曲线分析GBDT算法模型、Logistic回归模型的区分度、准确性。结果HF组年龄大于非HF组,有糖尿病病史者占比、超敏C反应蛋白(hs-CRP)、白细胞计数(WBC)、中性粒细胞计数、肌酸激酶同工酶(CK-MB)高于非HF组(P<0.05)。将单因素分析中差异有统计学意义的指标纳入GBDT算法模型,通过GBDT算法获得这6项指标的相对重要性,由小到大依次为糖尿病病史(2.220)、中性粒细胞计数(7.713)、年龄(14.734)、CK-MB(16.819)、WBC(24.828)、hs-CRP(33.686)。多因素Logistic回归分析结果显示,年龄、hs-CRP、WBC、中性粒细胞计数、CK-MB是训练集AMI患者PCI后住院期间发生HF的影响因素(P<0.05),构建Logistic回归模型,其具体公式为:logit(P)=-18.182+0.147×年龄+0.233×hs-CRP+0.438×WBC+0.242×中性粒细胞计数+0.003×CK-MB。ROC曲线分析结果显示,GBDT算法模型、Logistic回归模型预测训练集AMI患者PCI后住院期间发生HF的AUC分别为0.989〔95%CI(0.974,1.000)〕、0.864〔95%CI(0.786,0.942)〕;GBDT算法模型、Logistic回归模型预测测试集AMI患者PCI后住院期间发生HF的AUC分别为0.900〔95%CI(0.817,0.982)〕、0.763〔95%CI(0.639,0.888)〕。校准曲线分析结果显示,GBDT算法模型、Logistic回归模型预测训练集、测试集AMI患者PCI后住院期间发生HF的概率分别与本组AMI患者PCI后住院期间HF的实际发生率一致。结论本研究基于年龄、糖尿病病史、hs-CRP、WBC、中性粒细胞计数和CK-MB 6个指标构建的GBDT算法模型对AMI患者PCI后住院期间发生HF有较好的预测价值,且优于传统Logistic回归模型,这可为AMI患者PCI后预后的评估及干预治疗提供参考依据。

基于梯度提升决策树模型的P2P网贷借款人信用风险评测研究

基于借款人决策行为视角,通过Logistic条件回归方程式,筛选出对主体行为决策具有显著影响的特征变量,依此构建基于梯度提升决策树(GBDT)的P2P网贷借款人信用风险评测模型。模型精度和稳定性检验结果表明,建立在集成学习基础上的GBDT模型能较好拟合网络信用环境下借款人信用风险评测,并能对样本借款人的决策行为做出准确预判。

基于机器学习的建筑施工人员安全能力预测模型

为探究建筑施工人员安全能力的作用机制和关键影响因素,以社会资本和行为动机理论为依据,建立基于组织网络和个体行为的多指标数据集;借鉴成熟量表构建安全能力指标体系,通过问卷调查向中国境内若干建筑工程项目的457名施工人员获取数据;采用基于熵权法与变异系数法的多指标综合评价法进行指标权重计算和筛选;采用梯度提升决策树(GBDT)等5种机器学习方法分别建立回归预测模型,利用网格搜索法进行超参数优化,以提升模型的预测能力。结果表明:集成学习方法优于传统机器学习方法,GBDT算法在所有方法中拟合性能最佳;权重优化后的数据集可在一定程度上提升模型的预测精度;施工人员的安全参与行为和组织中社会资本的结构与认知维度对其安全能力影响较大;此外,个体特征中的工作年限和教育水平也与安全能力存在一定相关性。