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。

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。

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。

南京市城市轨道交通站点周边地区建成环境对居民活动的影响_基于梯度提升决策树与SHAP解释模型的分析

城市轨道交通作为低能耗、少污染、具有可持续属性的公共交通类型之一,其对沿线城市发展、居民生产生活产生深远影响。中国城市轨道交通建设目前仍处于高速发展阶段,部分站点周边地区面临空间利用率不匹配、潮汐客流趋势加重等问题。城市轨道交通站点周边地区的城市空间规划需关注城市居民的活动特征,以提升站点地区城市空间全时段活力。以南京市中心城区内轨道交通站点周边地区为例,基于城市空间开放数据、实地踏勘调研、互联网移动定位服务(location based service,LBS)数据,采集统计与评价建成环境现状与居民活动特征数据,并运用梯度提升决策树与SHAP(Shapley addictive explanation)解释分析站点地区建成环境与居民活动的非线性关系及建成环境要素之间的交互作用,在此基础上提出建成环境要素适宜区间及协同优化条件,为城市轨道交通站点周边地区空间规划与优化提供建议。

基于梯度提升决策树的冷轧高强钢卷力学性能预测

基于1180 MPa级超高强度冷轧双相(DP)钢卷生产数据,研究了基于主成分分析的化学主成分提取方法、网格搜索和交叉验证相结合的超参数寻优方法,建立了DP钢力学性能梯度提升决策树(GBDT)预测模型,并将预测结果与BP神经网络模型和广义可加模型的预测结果进行了比较。为了提高断后伸长率预测精度,以预测精度较高的GBDT预测模型为基础,通过模型预测误差分类模型和考虑误差补偿的模型预测修正方法,建立了考虑误差补偿的断后伸长率预测校正模型,该模型使断后伸长率在绝对误差±0.9%下的预测准确率达到了94.63%。DP钢性能预测模型在线运行时的实际预测精度较高,达到生产要求,有助于力学性能在线质量监控。

基于梯度提升决策树的锅炉燃烧优化控制策略研究

开展锅炉燃烧的优化控制策略研究对于提高资源利用率具有重要意义。文中基于梯度提升决策树算法,结合锅炉燃烧模型设计了一套优化控制策略。该策略在反应粒子模型的基础上,建立了反应器和粒子的质量与能量平衡方程,并生成了反应过程的完整流程模型,从而解决了非线性强耦合的锅炉建模问题。同时通过引入梯度提升决策树,设计实现了基于LightGBM的锅炉优化控制策略,从而提高了锅炉的燃烧效率。实验结果证明了将所提策略部署于模型中的优越性,且相比于无优化策略的情况,所提方法可将燃烧效率提高26%。

基于梯度提升决策树的植被高度模型研究

【目的】研究以航空摄影测量的方式建立植被高度模型。【方法】利用数字正射影像(DOM)与数字表面模型(DSM)提取光谱特征因子和几何特征因子,采用相关性指数对植被高度与特征因子进行相关性分析,筛选出特征因子。采用梯度提升决策树算法建立植被高度模型,并通过优化参数提高模型精度。【结果】在默认参数下,模型精度约为2.000 m;优化参数后,模型精度达到了0.900 m;剔除部分特征因子后,模型精度可达0.840 m;通过与支持向量机算法进行对比,植被高度模型整体精度由0.893 m提高至0.758 m,运行时间由70 min缩减至10 min。【结论】若不考虑建模原始数据的误差,采用梯度提升决策树算法建立的植被高度模型的精度为亚米级,多次试验中模型精度较为稳定。

面向非独立同分布数据的联邦梯度提升决策树

随着联邦学习的不断兴起,梯度提升决策树(GBDT)作为一种传统的机器学习方法,逐渐应用于联邦学习中以达到理想的分类效果。针对现有GBDT的横向联邦学习模型,存在精度受非独立同分布数据的影响较大、信息泄露和通信成本高等问题,提出了一种面向非独立同分布数据的联邦梯度提升决策树(federated GBDT for non-IID dataset,nFL-GBDT)。首先,采用局部敏感哈希(LSH)来计算各个参与方之间的相似样本,通过加权梯度来构建第一棵树。其次,由可靠第三方计算只需要一轮通信的全局叶权重来更新树模型。最后,实验分析表明了该算法能够实现对原始数据的隐私保护,并且通信成本低于simFL和FederBoost。同时,实验按照不平衡比率来划分三组公共的数据集,结果表明该算法与Individual、TFL及F-GBDT-G相比,准确率分别提升了3.53%、5.46%和4.43%。

基于梯度提升决策树的瓦斯浓度在线预测

为了准确可靠实时预测矿井瓦斯浓度,结合集成学习理论,提出了一种基于梯度提升决策树方法的瓦斯浓度在线预测模型(PGBDT)。首先采集瓦斯浓度历史数据,将异常值视为缺失值后,应用拉格朗日插值法对数据中的缺失值进行预处理;其次基于处理后的瓦斯浓度历史数据和梯度提升决策树方法建立瓦斯浓度预测模型;随后采用L2范式作为目标函数,确定模型输入滑动窗口的最优长度,实现在线预测;最后选择线性回归、差分自回归移动平均、支持向量回归、BP神经网络、长短时记忆网络(LSTM)、门控循环单元神经网络(GRU)等预测方法作为对比方法,对提出的瓦斯浓度在线预测进行了验证模型。实验结果表明,相对于线性回归、差分自回归移动平均、支持向量回归、BP神经网络等方法,PGBDT方法的预测精度和运行效率具有明显优势,相较于LSTM、GRU方法,PGBDT在运行效率方面有较好的优势。综合来看,PGBDT取得了较好的预测效果,显著提高了瓦斯浓度在线预测效率和预测模型的泛化能力。

基于梯度提升决策树的硬车表面白层预测方法

目的实现硬态车削过程中每个产品零件白层现象的实时在线检测,提高产品生产加工效率和加工质量,提出一种基于梯度提升决策树的硬态车削加工工件表面白层预测方法。方法首先,利用功率传感器、声发射传感器和振动传感器采集硬态车削过程中的动态切削信号数据,并对上述各种传感器信号数据进行特征提取;然后,结合特征重要性分析和梯度提升决策树建立硬态车削加工表面白层预测模型;最后,基于混淆矩阵提出一套评估梯度提升决策树模型预测性能的评价方法。结果与功率、振动信号等特征相比,声发射信号特征能够进一步提升模型的白层预测性能。实验结果表明,该方法的预测准确率达到90%,F1为92%,Auc为89%,与SVM、XGBoost分类方法所得结果相比,该方法能更准确有效地实现硬态车削加工工件表面白层现象的在线预测。结论该方法基于智能传感技术和梯度决策树模型对硬车过程中产生的白层现象进行了有效预测识别,对实现硬车过程白层现象的在线智能预测具有重要意义。

基于梯度提升决策树的湿法磷酸过程软测量建模

在磷酸生产过程中,某些关键的质量指标无法直接测量,可能对生产过程和产品品质造成不利影响。介绍一种新的集成学习算法,并开发了一种基于梯度提升决策树的机器学习软测量技术方法,以处理磷酸反应槽生产过程中的强非线性和动态性。通过湿法磷酸反应槽装置基准验证了改进的建模方法的有效性。经磷化工生产实际应用表明,该方法适用于磷化工生产过程建模。

基于随机森林和梯度提升决策树的高血压分析预测

为进行高血压的危险因素分析与预测,提出一种基于随机森林和梯度提升决策树的模型。首先基于体检报告数据进行缺失值处理、one-hot编码、归一化、数据初步聚类等预处理;然后针对数据样本不均衡的特性,利用SOMTE算法进行重采样,基于随机森林得到特征重要性评分并进行特征选择;最后基于排名前20的特征值,利用梯度提升决策树算法产生预测模型。模型分析结果显示了高血压的危险性因素。经数据集交叉验证,模型准确率可以达到84.51%,具有较高的应用价值。

基于改进梯度提升决策树的10 kV及以下配电网线损率预测

为解决异常值情况下10 kV及以下配电网线损率存在预测精度低、特征选取困难等问题,提出一种基于改进梯度提升决策树(Gradient boosting decision tree,GBDT)的线损率估计方案。首先,通过GBDT相对重要性和Spearman相关系数计算联合提取特征,并构建特征数据库。其次,为缓解电网结构巨大差异带来的线损率数值离散特性,提出基于密度的带噪空间聚类算法,对配电网数据进行分类。最后,基于改进的GBDT模型对数据进行预测与分析。通过仿真分析可知,与支持向量回归和随机森林回归相比较,本研究所提方法在1446个实例样本中预测均方误差分别降低2.24%和0.86%。

基于模糊C均值聚类和梯度提升决策树的护林员评价方法

现有关于基层护林员科学、客观、精准的评价方法的研究十分缺乏,传统的人员绩效评价方法也不适用于护林员巡护情况的评价。本文以中国东南部某县级市的护林员为研究对象,自创1种基于模糊C均值聚类(Fuzzy C-means,FCM)结果和FCM隶属度以及梯度提升决策树相结合的护林员巡护情况评价方法。首先对护林员巡护情况数据集进行Z-Score标准化处理以提高算法的准确率和效率,其次以里程数、考勤率、耗时数和上报事件数为特征变量,使用FCM对巡护情况数据集进行聚类,确定基准月,并使用隶属度评价得分划定法计算基准月护林员评价得分,再通过梯度提升决策树(Gradient boosting decision tree,GBDT)和基准月数据确定研究期内其他月份的护林员评价得分,最后对护林员巡护情况进行综合分析。研究结果表明,该方法可精准、清晰地划定护林员巡护情况评价得分;研究期内护林员整体巡护情况偏差,评价得分≤60分的人数占比较大;常驻护林员在研究期内巡护情况评价得分基本保持不变,偶尔上下波动,毫无提升。本文的方法从实际数据出发,对护林员巡护情况进行针对性的分析,使得护林员管理者可制定科学的管理方案,并以期为护林员巡护情况的评价方法提供新的方向和思路。

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。