基于CatBoost-NSGA-Ⅲ算法的盾构姿态预测与优化

为解决盾构掘进过程中因盾构前倾变形、蛇形、轴线偏离及纠偏等影响施工安全性与高效性的问题,提出一种将类别型特征梯度提升(CatBoost)与第三代非支配排序遗传算法(NSGA-Ⅲ)相结合的盾构姿态多目标优化方法;以贵阳地铁为例,选取22个影响因素作为输入参数,利用CatBoost算法建立输入参数与盾构姿态之间的非线性映射函数关系,采用随机森林(RF)算法评价输入参数的重要性;以盾构姿态绝对值最小化为目标,构建CatBoost-NSGA-Ⅲ多目标优化模型,并通过案例分析验证所提方法的适用性和有效性。结果表明:采用CatBoost算法训练工程实测数据得到的预测模型具有较高的精度,5个盾构姿态目标的R^(2)范围为0.916~0.943;所研发的CatBoost-NSGA-Ⅲ盾构姿态多目标优化方法,可使盾构姿态得到显著优化,整体改进的平均值为53.34%。

我国体育暑期学校类型、发展特征及提升策略

使用文献资料等研究方法搜集了2010年以来百余份体育暑期学校相关资料,对我国体育暑期学校进行研究。主要结论:从招生对象看,我国体育暑期学校主要分为面向本科生的暑期学校和面向研究生的暑期学校两大类。主要发展特征为:体育暑期学校方兴未艾、课程设置呈现开拓视野与启迪思维的特点、办学国际化程度凸显、授课教师多为业内专家、办学主旨紧扣时代前沿。提出体育暑期学校发展的策略:扩增体育暑期学校数量,融合举办本科生、研究生体育暑期学校,根据优势资源打造体育暑期学校品牌,加强与外部学科的对话。

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。

SVM多类别分类方法在客户流失预测中的应用研究

针对移动客户的多类别特点以及不同类别客户的数据集分布不平衡,把CW-SVM应用于多类别分类,提出了DAG-CWS-VM算法,分别用1-V-R SVM、1-V-1 SVM、DAG-SVM与DAG-CWSVM算法进行分类预测,并用ROC曲线、AUC值、提升度(lift)指标对四种模型进行评价。实验表明DAG-CWSVM算法不仅能够处理数据多类别分类问题,而且能够有效地解决数据集不平衡对预测结果造成的影响,具有较好的预测效果。

基于XGBoost和数值天气预报的黄淮海平原参考作物蒸散量预测模型研究

为提高黄淮海平原参考作物蒸散量(ET_(0))的预测精度,在豫北地区新乡市利用2020—2021年历史气象数据和2022年日数值天气预报数据(最高气温、最低气温、太阳总辐射量、日照时数、相对湿度和2 m风速),建立反向传播(BP)、极限梯度提升(XGBoost)和梯度提升决策树(CatBoost)3种预测ET_(0)的机器学习模型,并与FAO-56 Penman-Monteith模型的结果进行比较。结果显示,气象参数中太阳总辐射量(Ra)、最高气温(T_(max))和最低气温(T_(min))与ET_(0)的相关性最高,可作为模型的输入因子。从预测时间尺度来看,3种机器学习模型对1~16 d的ET_(0)预报效果最佳。其中,XGBoost模型在验证期的R=0.875、RMSE=0.230 mm/d、MAE=0.181 mm/d、MAPE=8.45%。R较CatBoost和BP模型平均提高10.2%,RMSE、MAE和MAPE平均下降39.9%~62.4%。鉴于XGBoost模型预测ET_(0)的精度和稳定性,推荐将其作为黄淮海平原参考作物蒸散量的预测方法。

城市旅游竞争力提升的理论依据与现实途径——以辽宁省为例

本文在严格界定研究假设前提的基础上,回顾了国内外旅游竞争力研究的进展,分析了城市旅游竞争力研究的理论依据和影响竞争力的决定性因素,据此建立了城市旅游竞争力评价模型并进行了实证研究。对辽宁省14个地级市做了旅游竞争力的总体特征分析与城市类别分析。研究发现,14个城市旅游竞争力的阵营划分与人们的常识性客观认识存在差异,该差异反映了不同城市在旅游资源利用和城市旅游管理方面的巨大潜力和旅游竞争力提升的广阔空间,笔者就此提出了若干政策建议。

福州市畜禽遗传资源普查经验与思考

畜禽遗传资源是生物多样性的重要组成部分,是促进畜牧业转型升级、提升竞争力的重要物质基础,是保障国家食品安全生产、农业经济发展和科学研究创新的重要战略资源。而随着工业化城镇化进程加快、气候环境变化以及畜牧业生产方式转变,畜禽种质资源群体数量和区域分布都发生很大变化,通过资源普查能科学、全面地了解和掌握现有畜禽遗传资源的分布情况、数量规模、品种类别和遗传特性,有助于评估资源的珍贵稀有程度和濒危状况,并通过相应的措施开展有效的保护和利用,进一步推动畜牧业高质量发展,促进生态平衡。

湖北工业危废处理能力5年提升3.14倍

近期,湖北危险废物(含医疗废物)利用处置规模快速提升,其中工业危险废物利用处置能力5年来增长314%。据统计,随着不断增强危险废物利用处置能力建设,截至2020年底全省危险废物经营单位达到156家,核准利用处置类别由2015年的39大类增加到45大类,覆盖了除多氯(溴)联苯类废物的全部类别危险废物,利用处置设置能力总体满足我省危废处置利用需求。

建设合格评定领域全覆盖体系 提升机构服务能力和竞争力

随着社会的进步和人民生活水平的提高,市场需要多种多样的产品供给。对于普通消费者而言,如何判定产品的质量并选择真正所需的产品,需要第三方机构为其提供相应的技术服务。近年来,人们对使用产品的质量、生活健康水平、生产生活的安全性、社会环境保护等方面的需求不断加大,传统的技术服务已经不能完全满足市场和政府的需求,技术服务的科技元素日益显露,并随之归入了科技服务类别。

自主开发，提升中国专用特种汽车工业核心竞争力

由于行业管理和统计分类的原因,特种汽车设计与制造企业被列入专用汽车行业,将特种汽车列入专用车类别中的特种结构汽车. "专用汽车",是从汽车使用功能来说的.专用汽车应是汽车底盘与上部装备的集成,专用汽车企业理论上应既生产底盘,也生产上装.尤其是性能要求高的专用车辆,底盘最好采用专门设计、专门制造的专用底盘,而不是采用普通通用的汽车底盘.限于种种条件,国内的专用汽车企业往往自己不生产底盘,而以通用型汽车底盘为基础,作必要的改动,再加装上车部分,改装出具有专用功能的汽车.由于这一"改装"生产方式比较普遍,以致形成这样一种错误概念:专用汽车就是"改装车",专用汽车厂就是"改装车"厂.甚至一些人干脆就把专用车行业称之为改装车行业.

基于CatBoost-MOEAD的大直径泥水盾构姿态多目标预测与优化

为避免盾构掘进过程中出现蛇形、轴线偏离等姿态异常问题影响施工安全,提出一种结合类别提升(CatBoost)算法和基于分解的多目标优化算法(MOEAD)的大直径泥水盾构姿态控制方法;构建一个盾构姿态预测模型,该模型包含19个输入参数和6个输出参数,利用CatBoost算法构建输入参数与输出参数之间的非线性映射关系;采用沙普利加性解释法(SHAP)分析输入参数对盾构姿态的影响;结合多目标优化算法构建CatBoost-MOEAD盾构姿态多目标优化模型,将所提模型运用到武汉长江大直径泥水盾构隧道工程中,分析验证所提方法的适用性和有效性。结果表明:CatBoost预测模型能够高效地预测大直径泥水盾构的姿态,其中6个盾构姿态目标的决定系数范围为0.931~0.974,均方根误差范围为0.030~0.880,误差范围为0.039~1.057;对盾构姿态影响较大的施工参数中推进组推力对盾构姿态的影响最为显著;通过研发的CatBoost-MOEAD盾构姿态多目标优化方法,盾构姿态的优化效果显著,优化率可达38.86%。

川东北红色资源类别梳理及其源流追溯——兼论红色文化价值提升途径

红色文化属于革命历史文化中的重要组成部分。川东北地区现存有丰厚的红色文化资源,成为拉动本地区经济增长的潜在财富。该地区的红色文化资源从物质到非物质层面,可谓类别众多。川东北的红色文化资源也与四川人民长期以来不畏强暴、反抗压迫的群体性格特征密切相连。在新形势下应自觉主动加大对川东北地区的红色文化资源的保护与开发力度,以更好地适应老区的发展,进而实现红色文化的价值增值。

特征融合和集成学习在大学生助学金预测中的应用

随着数字化校园的推行,利用大数据和机器学习算法识别真正困难的大学生,实现助学金公平发放,可为高校资助问题提供技术支持和辅助决策。首先,提出了一种利用多特征融合和集成学习的助学金预测方法,对消费、成绩、出入宿舍、图书借阅等大学生日常行为数据进行预处理和特征提取,分析特征的重要性,并进行特征融合,构造了一个21维特征向量。然后,利用集成学习方法对梯度提升决策树,随机森林,AdaBoost,SVM等分类器进行集成,采用过采样和交叉验证的方法,利用不同组合策略对大学生助学金进行分类预测。通过对10885位大学生日常行为数据进行实验,结果表明,在3种性能指标(F1、召回率、精确度)上进行测试,平均精确度达到0.9545,为大学生助学金发放提供了一种辅助决策手段。

基于类别特征梯度提升的冷轧带钢板形预测模型

板形控制是冷轧带钢生产过程的核心技术。为了提升板形预设定和闭环反馈控制效果,建立高精度的板形预测模型非常必要。提出了一种基于类别特征梯度提升的冷轧带钢板形预测模型,通过某1 450 mm冷连轧生产线采集的生产数据建立模型,采用贪婪搜索和交叉验证的方式进行超参数设置,以自适应提升模型、梯度提升决策树模型和深度学习神经网络模型作为对比。结果表明:类别特征梯度提升模型的RMSE为0.666 IU,并且有90.397%的预测数据绝对误差小于1 IU,较其他3种模型有更好的表现,对冷轧带钢板形预测有更好的鲁棒性和预测精度。

基于集成模型的超短时负荷预测方法

精准的短期负荷预测是保证电力系统顺利运行的关键。机器学习算法普及后,为以前难以解决的短期和超短期负荷预测提供了算法支持。鉴于梯度提升决策树(Catboost)、卷积神经网络-长短期记忆网络(CNN-LSTM)、极端随机树(Extratrees)等集成模型处理非线性相关数据效果好,本文将上述3种方法进行组合,构建集成预测模型,使用BP神经网络确定权重系数,通过权重将各种单项预测模型的优点结合在一起,从而起到了更好的预测效果。为了更好地说明本文使用方法的优点,本文采用平均绝对百分比误差(MAPE)和均方根误差、均方误差、拟合优度作为衡量指标,以集成模型与各个单项预测模型作对比,在MAPE标准下,集成模型比Catboost、CNN-LSTM、Extratrees模型分别降低了1.01个百分点、0.94个百分点、1.19个百分点。

CAT-RFE:点击欺诈的集成检测框架

点击欺诈是近年来最常见的网络犯罪手段之一,互联网广告行业每年都会因点击欺诈而遭受巨大损失。为了能够在海量点击中有效地检测欺诈点击,构建了多种充分结合广告点击与时间属性关系的特征,并提出了一种点击欺诈检测的集成学习框架——CAT-RFE集成学习框架。CAT-RFE集成学习框架包含3个部分:基分类器、递归特征消除(RFE,recursive feature elimination)和voting集成学习。其中,将适用于类别特征的梯度提升模型——CatBoost(categorical boosting)作为基分类器;RFE是基于贪心策略的特征选择方法,可在多组特征中选出较好的特征组合;Voting集成学习是采用投票的方式将多个基分类器的结果进行组合的学习方法。该框架通过CatBoost和RFE在特征空间中获取多组较优的特征组合,再在这些特征组合下的训练结果通过voting进行集成,获得集成的点击欺诈检测结果。该框架采用了相同的基分类器和集成学习方法,不仅克服了差异较大的分类器相互制约而导致集成结果不理想的问题,也克服了RFE在选择特征时容易陷入局部最优解的问题,具备更好的检测能力。在实际互联网点击欺诈数据集上的性能评估和对比实验结果显示,CAT-RFE集成学习框架的点击欺诈检测能力超过了CatBoost模型、CatBoost和RFE组合的模型以及其他机器学习模型,证明该框架具备良好的竞争力。该框架为互联网广告点击欺诈检测提供一种可行的解决方案。

基于Sentinel数据的临海市森林地上生物量估测

为探究多源数据融合以及机器学习方法在森林地上生物量(Above-ground Biomass,AGB)的估测潜力,分析影响不同林分AGB的主要因素,以浙江省台州市临海市为研究区,提取Sentinel-2光学遥感影像的光谱信息、植被指数、纹理特征因子和Sentinel-1 SAR的后向散射系数,融合森林资源二类调查数据和数字高程模型数据,基于递归特征消除的特征选择方法筛选主要特征,基于随机森林(Random Forest,RF)、自适应提升(AdaBoost)法和类别提升(CatBoost)法三种方法建立不同林分AGB估测模型,以决定系数(R-squared,R^(2))、均方根误差(Root Mean Square Error,RMSE)来评估模型性能。结果表明,从特征组合来看,集成光学遥感、雷达遥感、地形因子及二类调查数据能够更全面地利用多源数据的信息,有效提高森林AGB的估测精度;递归特征消除法降低了模型的复杂度,消除了自变量之间的共线性,能在保持甚至提高模型估测精度的前提下,加快模型训练速度;从6种林分的AGB的估测结果来看,6种林分的AGB的主要影响因素与个数不尽相同,这也缘于不同树种有不同生物学和生态学特点,当然有3个因子是共同的,即年龄、郁闭度和海拔;3种算法中,CatBoost优于RF,RF优于AdaBoost,CatBoost方法的性能指标为:阔叶混交林R^(2)=0.78,RMSE=7.26 t·hm^(-2);针阔混交林R^(2)=0.72,RMSE=11.94 t·hm^(-2);针叶混交林R^(2)=0.60,RMSE=12.65 t·hm^(-2);其他硬阔林R^(2)=0.82,RMSE=9.22 t·hm^(-2);马尾松林R^(2)=0.74,RMSE=10.12 t·hm^(-2);杉木林R^(2)=0.75,RMSE=8.93 t·hm^(-2);基于RFE的CatBoost的方法模型总体平均估测精度(P)超过80%。以上结果表明,Sentinel光学影像与SAR融合可以为森林AGB估测提供更多有效的特征因子;递归特征消除法结合CatBoost方法用于区域尺度上森林AGB的估测,精度更高,且能有效降低模型复杂度,加快训练速度;不同林分的AGB的主要影响因素与个数不尽相同,但年龄、郁闭度、海拔3个因素是它们的共同影响因素。

多源数据融合的城市区域时变停车需求识别方法

城市时变停车需求的准确感知是制定停车管理政策的前提条件之一,然而由于难以获取城市所有停车场进出车辆数据,且部分老旧停车场尚未实现信息化管理,以及违章停车的存在,导致城市区域时变停车需求识别困难。本研究利用城市已有交通信息采集设备,以卡口车牌识别数据、停车场进出车辆数据和出租车GPS数据为基础,通过训练模型区分停车与行车在前后两次卡口数据中的特征差异来识别车辆停车行为,从而实现城市区域时变停车需求识别。首先,结合493个停车场的进出车辆数据和3649辆出租车的GPS数据确定车辆行停状态,得到846204个停车样本和81654个行车样本,并基于合成少数类过采样技术(Synthetic Minority Oversampling Technique,SMOTE)+最近邻(Edited Nearest Neighbor,ENN)算法对不均衡行停数据集进行组合采样;其次,利用梯度提升决策树(Gradient Boosting Decision Tree,GBDT)来识别车辆的停车行为,结果表明本文建立的停车行为识别模型准确率为93.1%,精确率为99.6%,召回率为86.5%,识别效果优于其他传统方法;最后,应用该方法对某城市区域时变停车量进行监测,并利用该市41个停车场进出车辆数据进行验证,其中可通过本文算法识别的停车量为96%。研究成果可为城市区域时变停车需求感知与管理提供数据支持。

基于BalanceCascade的软投票策略的商品销售预测方法

随着互联网发展,网上购物已经成为人们生活中不可或缺的一部分,为了实现更好的帮助顾客推荐商品的目的。首先根据原有数据生成新的特征值,再用互信息的方法对数据进行特征选择;其次利用BalanceCascade算法处理类别不平衡的问题,借助集成策略弥补欠采样的缺陷,与简单采样方法相比,能够对样本数据得到充分的利用还降低了正负样本差造成的影响;最后选择用软投票的方法将XGBoost和随机森林结合为一个分类器做预测,降低了单一的算法所造成的偏差,从而得到更好的结果。基于阿里巴巴天池大赛所提供的数据,以查准率P、召回率R和F1值为评价指标,分别与当前热门的机器学习算法和融合模型进行对比,验证了该方法的有效性。

信息

广安市“四个注重”抓实公务员平时考核公务员平时考核工作实施以来,广安市坚持“四个注重”,着力提升公务员平时考核质量,激励全市公务员提升能力、担当作为。注重个性化方案制定,夯实精准考核支撑。制发公务员平时考核工作通知,实施“定性+定量”个性化考核指标制度,要求各单位对不同层级不同类别公务员进行分类考核。注重市级联系点建设,辐射带动全员开展。