基于决策树模型的城市人群稳态分布预测实证——以泉州湾片区为例

基于预测的城市人群时空变化特征对城市空间资源进行配置是城市规划的重要工作,城市人口在不同的空间中快速变迁移动,具有非均衡分布的特点。这种人群非均衡分布的时空变化具有一定的规律性,即稳态分布。本文基于LBS数据以及建成环境的多源异构大数据,选取4大类36小类指标,采用智能决策树模型构建城市人群稳态分布的预测模型。对于泉州的实证发现,预测模型的准确度达84.32%,具有较高的准确性和依据,其内在理论依据是城市人群在空间上的规律性时空活动,能够为未来的城市规划提供决策参考。

基于随机森林的财务异常数据提取方法

提出了一种基于随机森林的提取方法.通过明确财务数据具有的信息增益、信息储存量、搜索引擎等多种属性,建立决策树,利用基尼系数计算决策树中每个节点数据的类别值,将同一类别数据归类到同一层次内,若得到的数据特征分布较为混乱,采用分割法将所处数据集内的全部数据实施分割,直至迭代得到最为精准的结果.在决策树中引入选择性集成算法,根据得到的特征值,将具有同种特征的数据划分到同一子范畴内,保证特征统一性,在决策树中输入异常数据特征,通过特征查找提取到异常财务数据值.仿真实验证明,所提方法对异常数据的提取精准度高,误检率低,可以最少的迭代次数实现达到较好的结果.

不完全数据集的差分隐私保护决策树研究

主要研究在对不完全数据集进行决策树分析时,如何加入差分隐私保护技术。首先简单介绍了差分隐私ID3算法和差分隐私随机森林决策树算法;然后针对上述算法存在的缺陷和不足进行了修改,提出指数机制的差分隐私随机森林决策树算法;最后对于不完全数据集提出了一种新的WP(Weight Partition)缺失值处理方法,能够在不需要插值的情况下,使决策树分析算法既能满足差分隐私保护,也能拥有更高的预测准确率和适应性。实验证明,无论是Laplace机制还是指数机制,无论是ID3算法还是随机森林决策树算法,都能适用于所提方法。

大数据算法在罪犯危险度评估中的应用研究——以决策树-随机森林模型为例

现有罪犯危险度评估体系主要是传统经验主义模式,体系不能自我升级、不能全时段监测、不能全员评估、不能全要素纳入。但罪犯危险度工作要求全时段、全员、全要素纳入危险评估,且能分析因子之间的相互影响,提前做出预判,这就需要应用大数据分析。决策树和随机森林模型在聚类算法中较为成熟,其分析结果相对于传统评估体系具有更高的准确性、时效性、全面性,并能不断自我升级优化,预测结果可以为罪犯危险评估工作提供意见参考。

基于生成式对抗网络和改进区域建议网络的输电线路杆塔缺陷检测方法

为了减少输电线路杆塔缺陷检测过程中受噪声信号和装置性能等因素的干扰,提高输电线路杆塔缺陷检测的正确率和检测效率。提出一种基于生成式对抗网络(generative adversarial networks,GAN)和改进区域建议网络(region proposal network,RPN)的输电线路杆塔缺陷检测方法。采用GAN采集输电线路杆塔的显著性图像,并利用半软阈值函数模型剔除图像中的噪声,避免噪声对缺陷检测过程产生影响。通过随机森林决策树提取输电线路杆塔图像的轮廓特征,基于多尺度算法对RPN进行改进,将特征输入到改进RPN模型中,通过缺陷的定位、分割完成输电线路杆塔的缺陷检测。试验结果表明,所提方法的输电线路杆塔缺陷检测正确率较高,具有较好的缺陷检测效果和检测效率,从而有利于提高输电线路杆塔缺陷检测的质量,减少电力事故的出现。

浅析短视频用户故障定界定位和感知评价工具

随着5G网络的普及,为了提升小视频用户的使用感知,并能够先于客户发现问题,成为当下移动网络要解决的首要问题。本文先阐述了利用QoE理念重新梳理用户端关键性能指标,通过主客观感知的关联建立随机森林决策树,最后应用交叉验证模型的方式对系统进一步调优,让系统更智能、更贴合用户的使用感知。

基于彩色-深度传感器的电容层析成像图像重建方法

工业过程层析成像使用非干扰传感器获取过程容器、反应器等内部状态的二维或三维图像,因在工业应用中获取的电容层析成像资料和信息量有限,难以对影像进行精准、稳定的重构。为此,设计基于彩色-深度(Red Green Blue-Depth,RGB-D)传感器的电容层析成像图像重建方法。利用RGB-D传感器采集电容层析成像图像,采用非局部均值-权重法剔除图像中的噪声后,将图像输入到随机森林分类器中,提取图像的轮廓特征。通过快速投影Landweber算法对轮廓特征求解后,利用电容物质分布的重组完成电容层析成像图像的重建。实验结果显示:所提方法的峰值信噪比数值在35 dB附近波动,结构相似性数值在0.89~1.03之间,重建耗时在4.1 s以下,具有较好的重建效果、质量和结构相似性,能够有效提高重建效率。

样本驱动的多孔隙连通结构设计

为设计满足特定目标并具有近似自然形态的多孔隙结构,同时实现对结构内部连通性的控制,提出一种基于样本学习的多孔隙结构设计方法.首先以多孔介质的孔隙率和连通性作为设计指标,以6-邻接体素结构建立参数化设计单元,通过手工标记方式建立设计单元样本库;在此基础上,利用随机决策树森林(RDF)学习样本结构与设计目标之间的关联模型,生成设计规则;最后将整个设计方法集成于一个可扩展的多孔隙建模框架中.实验结果表明,RDF的泛化能力能够对样本库之外的结构进行正确的判定,可以在满足设计目标的同时得到更加自然的多孔隙结构.