梯度渐进回归树在建筑能耗短期预测中的应用

建筑能耗短期预测可以为供能系统调度、节能量评估提供依据,因此如何精确地预测建筑能耗一直是建筑节能领域的研究热点之一。针对建筑能耗短期预测问题,提出了一种基于梯度渐进回归树(GBRT)的建筑能耗预测方法。算法流程包括对数据进行预处理,通过交叉验证优化模型参数,训练GBRT模型用于建筑能耗短期预测。通过上海市某大型公共建筑实测数据进行验证,结果表明,与基于人工神经网络和支持向量机的预测算法相比,基于GBRT的建筑能耗预测算法预测精度更高,同时参数在很宽泛的范围均可以接近最优结果,算法具有较强的实用性。

梯度渐进回归树算法在电子商务品牌推荐中的应用

针对电子商务推荐系统中,互联网"信息过载"所造成的难以准确定位用户兴趣并提供准确品牌推荐的问题,通过深入挖掘电子商务网中的用户行为日志,抽取出能辨别出用户对商品品牌购买行为的多个特征,然后将这些特征融入到梯度渐进回归树算法中,建立用户兴趣偏好模型来提高推荐精度.实验结果表明,在数据稀疏的情况下,该算法仍能较好的识别出用户对品牌的偏好,并在推荐准确度方面较其他传统推荐和分类算法有明显的提高.

基于回归近邻成分分析和GBRT的室内定位方法

WiFi指纹定位方法性能易受到室内无线信号波动的影响使得离线指纹存在冗余噪声而导致定位精度不足。对此,本文提出一种改进近邻成分分析(NCA)结合渐近梯度回归树(GBRT)室内定位方法。首先,构造连续可微的目标函数将离散优化问题转化为连续优化问题,并对离线指纹数据库进行特征提取去除冗余得到离线指纹的主要特征;然后,利用提取特征后的位置指纹数据和特征对应的坐标迭代构造多个CART TREE,利用每个CART TREE损失函数的负梯度值构造集成多个CART TREE得到GBRT定位模型;最后,利用待定位点位置指纹信号特征结合GBRT定位模型预测待定位点位置。实验结果表明:所提出算法相较于其他同类算法误差分别减少14.7%,22.4%,37.1%,能够有效提高定位精度。

基于深度学习与数据挖掘的在线学习预测评估模型设计

在网络教学课程的实施过程中,仅根据在线数据对学生成绩进行预测的难度较大,针对这一问题,文中提出了一种基于深度学习与数据挖掘的成绩预测与评估模型。该模型依托网课平台采集学习者的行为数据,通过K-means算法对影响成绩的学习行为进行聚类分析,并筛选出关键因素,采用畸变函数来判断算法的收敛性。在分析各关键因素对成绩预测的影响权重时,引入了梯度渐进回归树构建评估预测模型,实现了对学生成绩的预测,并使用均方根误差来描述迭代精度。实验结果表明,所提出的成绩预测评估模型能够有效降低均方根误差约30%,具有良好的准确率。

GBRT技术在MLS模拟训练成绩评估中应用

综合成绩评估是军事后勤模拟训练系统中的一个重要功能模块,为了实现模拟训练自动化成绩评估,在模拟训练系统成绩评估中提出使用梯度渐进回归树(GBRT)智能技术。在对某科目的后勤模拟训练成绩数据分析基础上,找出线性无关评估指标特征集合"人员配置成绩、完成任务时间和装备操作正确率"作为输入数据,建立基于GBRT成绩评估预测模型,最后通过优化参数组合的GBRT评估模型预测模拟训练综合成绩。经过某科目的模拟训练成绩数据样本测试,基于GBRT模型评估综合成绩与实际训练成绩基本一致,从而验证GBRT技术在军事后勤保障模拟训练成绩评估中应用的可行性和有效性,为军事后勤保障模拟训练系统自动化成绩评估增添新的途径和方法。