基于熵权法-LGBM算法的岩爆等级预测模型研究

为了解决多个岩爆预测指标数据间存在的数值和量纲差异导致指标利用率较低的问题,建立了基于熵权法和LGBM(Light Gradient Boosting Machine)算法的岩爆预测模型。首先运用熵权法消除指标数值差异的影响,确定各指标的权重,在此基础上引入LGBM算法对样本数据进行训练,运用Leaf-wise叶子生长策略提升计算效率,最后将训练结果与传统LGBM模型、RF(Random Forest)模型和XGBoost模型的预测结果进行对比分析,结果表明,组合模型的预测准确率高达93.1%,明显优于单一模型。将组合模型应用于终南山隧道通风竖井的岩爆等级预测中,发现预测结果与实际情况基本相符,验证了组合模型的可靠性。

考虑交通事件影响的高速公路短时行程时间预测

本研究目的是基于历史行程数据并考虑交通事件,构建可提高高速公路短时行程时间预测精度的方法。基于深层机器学习理论,设计加权均方根相似(Weighted-RMSS)模型,利用经纬度将行程分段,考虑高速公路车辆时空流动性的时间传递,计算当前行程时间和历史案例行程时间的相似性,提高了行程时间预测精确度。在此基础上,结合交通事件数据建立交通事件影响矩阵,建立LGBM模型(Light Gradient Boosting Machine)用于短时行程时间预测,并利用广州高速公路平沙至机场南路段实测数据进行验证。研究结果表明,开发2个模型效果均优于传统KNN模型,且考虑了交通事件影响的LGBM模型的预测精度高于Weighted-RMSS模型,达到95.68%,比较不同未来预测时间得出预测5 min效果最佳,精度可达96.18%。本研究在短时行程时间预测上有显著的优越性,有助于为驾驶人提供准确的出行时间,有利于高速公路的交通管理。

机制和数据模型双驱动预测聚酯酯化酸值的探索

酯化物酸值反映了酯化反应的进行程度,酸值的稳定控制是后续缩聚真空系统运行的基础,同时也影响纺丝生产过程的稳定性。提出了基于机制和数据模型双驱动的聚酯酯化模型,基于生产工况和化验分析数据开展双模型训练,对酸值进行预测的方案,部分替代离线化验分析,提升装置的运行控制水平,从而提高产品品质。

基于Stacking模型融合的专变用户电费回收风险识别方法

针对当前电力公司面临的专变用户电费回收风险,提出一种基于Stacking模型融合的专变用户电费回收风险识别方法。对专变用户数据进行特征处理、特征构造与特征筛选,从样本分布和特征属性上优化模型的泛化性能;利用Stacking模型融合多个基学习器,构建专变用户电费回收风险识别模型。实验结果表明,相较于其他常用的分类算法,所提方法具有更优的精确率、召回率、P-R调和均值、AUC值以及模型泛化性能,对专变风险用户的识别率也更高。

住宅地价特征识别与规划增强的机器学习诊断

住宅地价一定程度上映射了城市效用,充分映射时可称为影子地价。现实中,成交地价是不完全信息下有限理性的博弈结果,证据之一是出让方式会影响价格,拍卖方式相比零溢价挂牌通常存在着较高溢价。假如住宅地价有合理稳定的估值,那么成交地价偏离影子地价将会带来人地关系、公共财政、城市形态等方面的问题,需进行公共干预。为了准确判断规划增强必要性,可以提炼和采集影响住宅地价的多维特征变量,采用交叉运用回归与分类的机器学习方法进行诊断。研究采集了2020年以来重庆主城住宅用地出让的公开数据,运用LGBM模型开展诊断和预测,并从土地出让机制、异质发展、效用收敛3个方面提出规划增强策略的积极作为的建议。