低压货舱多参数火灾探测集成模型的优化选择

针对低压飞机货舱环境下单模型的烟雾探测算法不灵敏的问题,给出了一种基于二次优化选择(Quadratic Optimization Choice,QOC)策略的集成分类模型。首先,对多种火灾特征参数包括CO体积分数、温度、湿度、红外和蓝光波长光散射功率信号、烟颗粒索特平均直径及对应增长率进行增益评估,筛选出关联度高的参数作为属性,通过特征工程和性能对候选分类器进行排序,然后采用QOC策略和软投票法集成机制确定次级分类器,最后指定多层感知器(Multilayer Perceptron,MLP)作为元分类器的模型集成方法,以提高烟雾探测模型在真实飞行环境的准确性和鲁棒性。模型性能将基于精确率、召回率和F1、F2、F3指标进行比较。结果表明,集成模型应用于60 kPa低压环境烟雾探测结果优于K邻近算法(K Nearest Neighbor,KNN)和MLP,对榉木和航空汽油可燃物分别具有0.9724和0.9601的分类精确率,较原始算法KNN分别提高了0.0872和0.0626,较原始算法MLP分别提高了0.0368和0.1822,集成模型具有更好的性能。

一种区域降水预测的时空集成模型

提出了一种融合多种深度学习方法的时空预测集成模型LSTM-ARIMA-SARIMA-BP-CNN(简称LASBC模型),其中ARIMA模型捕捉降水时间序列的近邻性,SARIMA模型捕捉周期性,BP神经网络揭示降水分布的时空相关性,CNN挖掘气象、地理因素对降水的影响,最后通过LSTM网络对4个模型的预测结果进行融合,提高预测精度.以中国西部地区12个城市1985年1月至2021年12月的月降水量数据为主,应用LASBC模型对12个城市的月降水量进行预测,结果显示:LASBC模型的预测精度显著提高;基于预测月降水量,给出了6个主要城市未来10年气候偏干旱或湿润的月份及降水量;未来10年,我国西北干旱区年均降水基本保持稳定,高寒冻土区略有增加,西南湿润区增长趋势明显.

基于软投票集成模型的房地产上市企业财务预警研究

以中国房地产上市企业为研究对象,选取了反映企业偿债能力、盈利能力、营运能力和杠杆比率在内的20个指标,收集了137家企业在1991~2021年期间的财务数据,构建了基于软投票的集成模型来预测中国房地产上市企业一年期和两年期的财务困境。结果显示,集成模型提前一年期和两年期预测的AUC值分别为0.946和0.880,与性能最好的单一分类器相比预测性能更高。然后通过SHAP解释模型对集成模型中输入变量的解释能力进行分析。无论提前一年期还是两年期,预测准确率在很大程度上受销售净利率、净资产收益率、应收账款周转率、利息保障倍数和总资产收益率的影响。提出的模型通过对房地产企业财务困境高准确率的预测,识别与预测相关的主要变量,有望帮助房地产企业和其他相关利益者通过早期预警防止破产。

基于大数据的数字化系统一体化调度信息集成模型

由于已有集成模型分类过滤能力较差,因此提出一种基于大数据的数字化系统一体化调度信息集成模型。通过小波多窗谱特征提取数字化系统一体化调度信息并进行预处理。在二维空间中对最近邻点进行模糊搜索,获取数字化系统一体化调度信息模糊聚类中心,对信息聚类目标函数进行优化,完成调度信息分类过滤。结合大数据技术对调度信息结构层次进行分析,构建调度信息集成模型。实验结果表明,所提模型不仅能够提升调度信息分类过滤能力,同时还能够加强集成效率和容错性。

基于mRMR-BO优化Stacking集成模型的NO_(x)浓度动态软测量

针对火电厂选择性催化还原(selective catalytic reduction,SCR)烟气脱硝系统中,由于影响入口NO_(x)质量浓度因素过多及系统大迟延大惯性,导致入口NO_(x)质量浓度难以准确及时测量的问题,提出了利用最大相关-最小冗余算法(max-relevance and min-redundancy,mRMR)结合贝叶斯优化算法(Bayesian optimization,BO)优化Stacking集成模型的SCR烟气脱硝系统入口NO_(x)质量浓度动态软测量模型。针对动态NO_(x)生成过程中静态单一模型预测精度降低及辅助变量与入口NO_(x)质量浓度时间异步的问题,利用mRMR-BO结合模型进行辅助变量筛选,Copula熵(copula entropy,CE)确定辅助变量迟延,BO结合模型确定辅助变量阶次,将TCN及LASSO利用Stacking法集成,使用含有迟延时间及阶次信息的辅助变量构建动态Stacking集成软测量模型。仿真结果显示:集成模型较TCN及LASSO单一网络的均方根误差、平均绝对误差、平均绝对百分比误差最小;动态集成模型对比静态集成模型,预测精度更高,能够实现对入口NO_(x)质量浓度的准确软测量。

基于云计算的异构数据集成模型构建

异构数据的集成及处理一直是学者们探究的问题,近年来兴起的基于云计算构建的异构数据集成模型,能够获得统一的数据处理方式与管理办法,以供云计算环境下各业务应用,为异构数据统一查询、检索、业务应用处置的多元异构数据间的映射和关联创造便捷条件。文章介绍了国内外云计算异构数据集成模型的构建基本情况,指出了云计算下异构数据集成模型的基本构成,并就现有的模型构建实现的技术展开了论述,以便为用户提供优质的数据服务。

基于T2WI和CE-T1WI影像组学集成模型在预测HIFU消融子宫肌瘤疗效中的价值

目的 探究基于T2WI和对比增强T1WI(contrast-enhanced T1WI, CE-T1WI)所构建的联合序列影像组学集成模型在术前预测高强度聚焦超声(high intensity focused ultrasound, HIFU)消融子宫肌瘤疗效的价值。材料与方法 回顾性分析300例临床确诊并接受HIFU治疗的子宫肌瘤患者资料。两名医师将患者进行分组,分为充分消融组(非灌注体积比≥80%)与非充分消融组(非灌注体积比<80%),并使用Kappa检验分析两人分组结果的一致性。然后,将所有患者以8:2的比例随机分为训练集(n=240)和测试集(n=60)。在T2WI和CE-T1WI上利用ITK-SNAP软件勾画子宫肌瘤的感兴趣区并提取影像组学特征。利用双样本t检验和最小绝对收缩和选择算子,进行特征筛选,两个序列的特征共同用于后续模型构建。将支持向量机、随机森林、极端梯度提升、轻量梯度提升机作为基础学习器,分别构建基础模型(A、B、C、D),logistic回归作为元学习器构建集成模型,并进行5折交叉验证。采用受试者工作特征曲线下面积(area under the curve, AUC)评估各模型性能。采用独立样本t检验或Wilcoxon秩和检验分析患者影像学资料(包括肌瘤体积、肌瘤类型、T2WI信号强度、T2WI信号均匀性、CE-T1WI信号强度、CE-T1WI信号均匀性)。结果 充分消融组患者172例,非充分消融组患者128例,对两名医师的患者分组结果进行Kappa检验后,Kappa值为0.939(P<0.001)。经过特征筛选,在T2WI和CE-T1WI中分别保留了14个和5个特征。所构建的A、B、C、D四个基础模型的在测试集上5折交叉验证的AUC均值分别为0.832、0.863、0.861、0.880。使用5种算法构建的集成模型AUC均值提升至0.924。统计学分析结果显示,训练集中肌瘤体积、肌瘤类型、T2WI信号均匀性和CE-T1WI信号强度存在统计学差异(P<0.05),测试集中肌瘤类型的差异具有统计学意义(P<0.05)。结论 基于T2WI和CE-T1WI所构建的联合序列影像组学集成模型可以在术前有效预测HIFU消融子宫肌瘤的疗效。

区域突发公共事件风险综合评估的多源数据PHV集成模型构建与应用

测度区域突发公共事件风险的综合特征及分区是当前乃至今后中国应急管理提高预判性与可操作性面临的重大课题。基于区域灾害系统理论和风险概念,集成可能性、危害性、脆弱性等风险要素,尝试构建了用于区域风险综合评估的PHV集成模型(Possibility,harmfulness,vulnerability integrated model),同时,依评价指标引导,构建“新闻+空间+统计”的多源数据接口,在公里网格尺度,测算了多灾种叠加的风险可能性、危害性、脆弱性和综合风险水平,并以内蒙古阿拉善盟为案例检验。结果显示:①模型以灾害事件发生概率做灾害事件综合的权重,将风险损失纳入危害性指数测算,识别风险易发地并纳入可能性指数测算,克服了以往研究权重设置不合理、灾害影响程度量化途径单一的“瓶颈”;②PHV模型和多源数据的方法,可以实现大尺度区域灾害数据缺失情况下的多灾种综合风险评估,具有一定的应用推广价值。

基于时序分解与机器学习的非平稳径流序列集成模型与应用

揭示变化环境下非平稳径流序列波动特征,可为提高径流预测精度和涉水工程规划提供支撑。针对径流序列具有非平稳性、周期性和异方差性的特征,收集长江流域攀枝花、城陵矶和大通站2008—2018年实测径流资料,基于周期趋势分解法(STL)将原始数据分解为周期项、趋势项和剩余项,结合各子序列特征采用多模型集成获取未来径流的综合预测值,并将预测结果与Prophet、LSTM和GARCH等单一模型进行对比。结果表明:联合机器学习和时序分解的集成模型在多个评价指标上均优于单一模型,且对异方差效应显著的站点模拟精度提升明显;验证期内3个站点的纳什效率系数分别为0.96、0.95和0.93,表明该模型能有效模拟长江流域径流波动过程。

基于决策树及其集成模型的水库调度规则提取方法

水库调度规则作为指导水库调度运行的重要工具,不仅是水库规划设计时期的决策参考要素,且是运行管理期影响水库综合效益发挥的关键技术之一。为此,以长江上游水库群历史调度运行数据为基础,结合水库调度原理及运行特征,挑选时段数、前期水位、入库、出库及当前时段入库作为影响因子组建输入因子集,综合考虑运行期数据特征及决策树原理确定时段末水位作为模型输出,同时提出相应基于水库调节库容的水位评价指标,并采用相关系数和互信息作为模型输入因子相关性评定指标,引入树形Parzen评估器对输入因子个数和算法超参数进行优化,在此基础上,建立了基于决策树及其集成模型的水库调度规则提取模型,形成了融合历史调度过程和专家经验的水库调度规则。试验结果表明,决策树及其集成模型在水库调度规则提取应用时具有较强的能力和适用性。

堆叠集成模型径流预报效果的影响因素研究

为了研究堆叠集成模型预报效果的可能影响因素,以安墩水流域为例,选择支持向量回归、多元线性回归、长短期记忆神经网络、前馈神经网络、梯度提升回归树、自回归积分滑动平均模型以及自适应增强算法作为基学习器,选择多元线性回归、支持向量回归、多层感知机作为元学习器,建立多个堆叠集成模型,并基于平均绝对误差、均方根误差、纳什效率系数构建综合评价指标,对各集成模型的预报效果进行了对比分析。研究表明,堆叠集成模型的预测效果与基学习器的数量无关,与基学习器的质量呈正相关关系。此外,不同的元学习器选择也会对堆叠集成模型的预测效果产生影响。该研究可为利用堆叠集成模型进行径流预报提供科学指导。

基于代价敏感神经网络集成模型的类别不平衡问题研究

在解决类别不平衡问题的过程中,传统分类模型往往偏向对大类别样本的学习,影响模型分类效果。基于此,文章从数据采样、模型选择2方面入手,给出代价敏感神经网络集成(cost-sensitive neural network ensemble,CSNN_Ensemble)模型。首先通过随机下采样,得到多组训练数据集;其次对每组训练数据集训练BP神经网络,并结合代价矩阵构造多个代价敏感神经网络;最后以代价敏感神经网络为基学习器构造并行集成模型,并以投票的方式进行最终决策。实验结果表明,该模型在F 1值、AUC值和期望总体代价3种性能方面表现优越,并具有一定的鲁棒性。

基于改进的Stacking集成模型的容器云负载预测研究

容器云的迅速发展使业务量迅速增加,对容器资源利用率的未来趋势进行预测,从而提前分配资源来提高资源的利用率并且降低资源的浪费是一种合理的做法。为了实现对容器云资源的合理预测,提出一种基于改进的Stacking集成方法的云资源负载预测模型。模型的第一阶段是通过设立基学习器对云资源负载数据进行特征选择,降低数据集特征的复杂度。第二阶段是使用GA-BP神经网络模型改进的DBN模型(DBN-GA-BP)对第一阶段的特征选择数据进行集成预测。实验结果表明,与单一模型和未改进的Stacking模型对比,该模型具有更高的预测精度。

基于改进随机森林集成模型的疾病风险预测

针对疾病样本数据集不均衡以及传统模型预测精度低等问题,提出一种混合随机森林与人工神经网络(ANN)的集成预测模型。采用少数样本合成过采样技术(SMOTE)构建平衡训练数据集;结合随机森林特征选择优势和ANN的预测能力,通过集成方法构建混合随机森林与ANN的集成预测模型SMOTE-HRF-ANN以对畜禽疾病风险进行预警预测;将多种预测模型进行对比实验。实验结果表明,该模型能有效提高疾病预测的精准度与召回率,在少数类样本中的精确率和F1-score值分别达到96%和85%。

融合LC-Transformer XL文本分类的集成模型

针对文本分类任务中存在数据稀疏、无法捕捉段与段之间的更长距离依赖关系问题,提出一种LC-Transformer XL集成模型。通过LDA主题模型单词与主题的概率分布,对文本进行高频关键词提取,采用CNN算法提取局部特征向量,利用Transformer-XL模型的相对位置编码和循环机制得到全局语义特征,将其提取的局部与全局特征向量融合,在此基础上,通过Softmax分类器进行分类,得到文本分类的结果。实验表明,该模型在THUCNews中文文本数据集上的F1值达到0.9318,准确率达到94.15%,在处理文本分类任务中有较好的表现。

基于集成模型的煤炭价格多步预测研究

煤炭价格的准确预测对化解能源价格风险有着重要意义,针对煤炭价格预测的问题,开展了基于集成模型的煤炭价格多步预测研究。本研究分析了影响煤炭价格的主控因素,并建立了数据集;将粒子群优化算法(Particle swarm optimization,PSO)和长短期记忆模型(Long Short-Term Memory,LSTM)有效集成,建立了一种基于PSO-LSTM的多参量多步预测模型。利用多参量多步预测模型调用数据集进行了曹妃甸港煤炭价格预测,结果表明:基于PSO-LSTM的多参量多步预测模型预测效果优于基于BP、LSTM的预测模型;其预测价格与实际价格的MAPE、R2值分别为0.025、0.908,能够为煤炭市场的科学管控提供帮助。

基于LSSVM集成模型的学生毕业就业预测研究

为提升学生成绩评估水平和就业成功率,提出了学生成绩就业集成预测系统.该系统分为数据层、应用层、分析层,协调实现学生数据管理、统计分析和管理服务.首先,选取9个学生就业预测指标和相应的历史学习数据.其次,基于累积自回归滑动平均模型对学生数据进行处理,将非平稳时间序列数据利用微分变换转换为平滑的时间序列.再次,提出基于LSSVM集成模型对样本进行训练.最后,基于550个学生数据,对所提模型进行验证.实验结果表明,所提LSSVM集成模型预测准确率为到92.7%,较RF、MLR、ANN和SVM相比分别提升13.5%、6.4%、17.3%、2.8%.

基于发布/订阅通信的动态数据集成模型

提供灵活、动态、一致和开放的数据集成模型对于通过集成异构信息资源,实现大规模企业信息系统至关重要。本文以中介模型为基础,提出了一种基于发布/订阅通信的动态数据集成模型,与相关工作相比,该模型的显著特点在于通过发布/订阅机制支持信息资源的动态可插拔、支持分布的信息检索、提供了动态可配置框架、集成节点具有对等性。

基于Stacking集成模型的银行客户产品认购预测

本文通过对银行客户数据的分析和建模,旨在预测客户是否会购买银行的产品。采用Stacking多模型集成的方法,通过分别训练随机森林模型、LightGBM模型、决策树模型、梯度提升树模型和直方图梯度提升树模型,作为基模型,以逻辑回归模型作为元模型进行分类预测。实验结果表明,论文设计的Stacking集成模型在预测银行客户产品认购方面表现出色,具有较高的准确率。该模型可以为银行业提供重要的决策支持,帮助银行更好地了解客户需求,提高产品销售率。

人口、资源、环境与经济协调发展的多目标集成模型

人口 (population)、资源 (resource)、环境 (environment)和经济 (economy)是区域可持续发展的关键要素 ,组成了一个动态开放复杂系统 ,简称为PREE系统。在PREE协调发展研究的定量分析中 ,需要解决PREE复杂系统的整体性问题。提出了一种三层次模型体系结构 ;建立了基于目标规划的PREE系统多目标综合集成模型。该模型可较好地反映各子系统协调发展的制衡关系 ,并完整地体现了PREE系统的整体性特征 ,为开展用于预测和规划的区域可持续发展的定量研究提供了技术基础。