基于不同特征选择方法和随机森林法的滑坡易发性评价--以湖南中西部地区为例

湘中、湘西地区是湖南省滑坡地质灾害最为频发的地区,同时该区旅游资源和自然资源丰富,是滑坡管理的重点区域。为研究湘中、湘西地区滑坡易发性评价模型的适用性,以湖南中西部地区为例,在初步选取的15个滑坡致灾因子的基础上,采用最大互信息系数、递归特征选择、基于随机森林的基尼不纯度指标和平均精确度指标等方法开展滑坡致灾因子优化,分析剔除了平面曲率和剖面曲率两个不重要因子,最终提取了13个重要因子,利用随机森林模型开展了研究区易发性评价,并采用最近两年滑坡数据开展验证。结果表明:不同特征选择方法优化后的滑坡因子结合随机森林模型所得的模型结果与实际情况吻合性较好,中、较高和高易发区滑坡占比77.58%,验证结果为79.58%,该模型对湘中、湘西地区地质灾害易发性评价模型选取提供了参考与借鉴。

基于随机森林——递归特征消除的道路交通事故成因分析

为研究道路交通事故的成因及其相关因素重要程度,收集了英国2015年的交通事故数据,从中选出与交通事故严重程度相关的15个因素。利用随机森林-递归特征消除模型对数据严重程度进行预测,并对相关因素的重要程度排序。结果表明随机森林-递归特征消除模型比单一的随机森林模型泛化能力更好,与交通事故严重程度最相关的三个因素分别是事故中车辆数量、限速和天气条件。并针对交通事故相关因素提出道路建设的建议,为道路交通事故预防提供决策参考。

基于在线序列极限支持向量回归的短期负荷预测模型

由于电力市场的发展和智能电网技术的推广,负荷预测变得越来越重要。准确的预测结果有助于提高电力系统运行效率,降低运行成本,减少＂电荒＂事件的发生。在当前海量高维数据的背景下,有效并准确的在线预测方法是当下的研究重点。针对传统预测方法对新增数据需要重复训练造成的巨大计算消耗和模型利用率低的缺点,提出了一种基于在线序列极限支持向量回归算法（online sequential extreme support vector regression,OS-ESVR）的短期负荷预测模型（short-term load forecasting,STLF）。首先,利用基于随机森林模型的递归特征消除方法（recursive feature elimination based on random forest,RF-RFE）自动选择滞后负荷输入变量;其次,将得出的有效数据信息输入到在线序列支持向量回归模型进行训练学习,训练过程中通过简化粒子群算法（simplified particle swarm optimization,SPSO）对初始模型进行优化,得到训练后的在线序列支持向量回归模型;最后,利用测试数据测试模型。通过在新英格兰ISO（Independent System Operator）数据集进行仿真算例分析,验证了模型能够根据新增数据动态更新。同时预测结果表明了所提模型的时效性和准确性显著优于已有的同类方法。