基于参数优化随机森林模型的消费行为预测算法

在大数据与线上营销的影响下,零售企业也积极采取大数据智能营销方案。为了提高零售企业在消费行为预测中的精准率,从而提高企业销售额获取更大利润,从消费数据、会员数据和商品数据中通过信息增益的方法提取特征,构建基础特征群,挖掘潜在信息。利用遗传算法对随机森林的参数进行优化,建立基于参数优化的随机森林消费行为预测模型,实验数据来自某线下连锁药店37天的消费记录。将实验模型和原始随机森林模型、决策树模型、支持向量机模型和XGBoost模型进行实验对比,实验结果表明遗传算法参数优化后的随机森林消费行为预测模型的精准率和AUC值均高于其他四种模型。

林火行为预测预报专家系统

在针对我国大兴安岭林区典型可燃物进行实验的基础上,参考美国北方林火实验室编制的BEHAVE程序中的数学模型,提出了一整套估算森林地表火火行为特征量的表达式。在此基础上,通过交互式窗口技术、字符型汉字技术和专家系统原理,建立了“林火行为预测预报专家系统”。该系统在输入现场可燃物分布特性参数及相应的地形条件和气象条件后,即能迅速预测火蔓延过程中不同时间段的火行为特征量的值。与野外试验的结果对比表明,预测的结果是合理、可靠的。

基于深度森林的用户购买行为预测模型

近年来,网络零售保持高速增长,网站中富含大量的用户行为数据。电商平台中的用户对商品的操作行为可以体现用户偏好,如何利用用户行为挖掘用户偏好已经成为学术界和工业界的关注焦点,并已经取得了众多研究成果。然而,目前用户操作行为预测方法研究通常只针对用户某一类操作行为进行分析,无法完备反映用户行为的整体特征。因此,提出一种基于深度森林的用户购买行为预测模型,通过构建用户行为特征工程建立整体用户行为特征模型;基于此,提出基于深度森林的用户购买行为预测方法,实现高效的行为预测训练效果。该方法的训练时间为43s,F1值为9.73%,相对其他模型取得了更好的效果。实验结果表明,该模型在降低时间开销的同时,提高了预测准确率。

基于智能算法的空冷火电机组负荷预测研究

为及时准确地预测空冷机组的整机性能,引入了基于智能算法的大数据分析方法。针对某600 MW空冷火电机组全年的历史运行数据进行预处理与稳态工况筛选,分别建立了基于反向传播(BP)神经网络和随机森林算法的机组负荷预测模型。预测结果对比分析和模型敏感性分析表明,随机森林预测模型具有精度高、泛化能力强、训练时间短等优点。为优化随机森林模型,通过皮尔森相关系数筛选模型输入特征并根据机组功率进行分负荷工况建模,优化后的模型性能得到了进一步提升。

基于行驶轨迹的车辆换道行为预测方法研究

车辆换道行为是机动车在道路上行驶时的一种常见行为,对其进行预测能有效减少交通事故。基于NGSIM项目数据,对换道车辆换道时刻的行为特性进行分析,运用随机森林算法筛选出表征换道行为的参数指标:横纵向速度、加速度、偏角、车头间距以及相对时距,提出一种级联LSTM模型预测车辆在行驶过程中是否会发生换道行为,并与传统单层LSTM模型对比。结果表明:级联LSTM模型预测准确率可达93.6%,具有良好的换道预测效果且高于单层LSTM模型,可为自动驾驶和深度学习提供一定的理论参考。