CatBoost算法结合Optuna框架预测砂土液化

为了解决利用机器学习算法建立的部分砂土液化预测模型仅在特定地区实现高精确预测而泛化能力减弱的问题,从而扩大砂土液化预测模型适用范围,准确预测砂土液化,以更好地防治地震灾害,基于类别型特征提升算法CatBoost并结合自动超参数优化框架Optuna进行调参训练,建立CatBoost-Optuna砂土液化预测模型;将标准贯入试验的地震液化数据集划分为训练集和测试集,利用5个评估指标评估所建立模型的预测结果,与测试集中多层感知机和支持向量机砂土液化预测模型的评估结果相比较,并以地震液化案例数据作为验证集,对比不同预测模型的预测效果。结果表明:与多层感知机和支持向量机砂土液化预测模型相比,所建立的模型在测试集中评估指标较大,有更好的预测效果;在验证集中,所建立模型的评估指标只有精准率略微减小,其他评估指标都保持稳定,而对比模型的评估指标只有召回率保持稳定,其他评估指标都有所减小,只有所建立模型的预测效果与在测试集中的预测效果保持一致,进一步证明所建立模型的泛化能力较强。

基于相似日和Optuna-LightGBM的智能控制柜内部环境预警评估方法

针对基于事件驱动的智能控制柜温湿度预测精度较低,无法及时对柜内温湿度异常进行预警的问题,提出了一种基于相似日和Optuna-LightGBM的温湿度预测方法。利用相似日算法选取合适的模型训练数据集,构建基于LightGBM的温湿度预测模型,用Optuna优化模型参数。最后,提出了一种基于曲线拐点检测的预警参数阈值计算方法,分析预测模型得到的温湿度曲线特性,实现温湿度预警。实验结果显示,所提方法的温度预测误差MAPE为0.35%,湿度预测误差MAPE为0.73%,可实现对柜内温湿度的精准预测并及时预警。

泰安市蒸发量变化趋势分析与基于神经网络的预测

蒸发量是水文特征里的一个重要指标,为科学准确地分析及预测泰安市蒸发量的特点和走势,利用泰安市黄前水库、东周水库、大汶口和戴村坝4个代表性水文观测站1985—2021年的调查数据,通过Mann-Kendall检验法、滑动t检验法检测其突变特征后,使用R/S分析法预测未来蒸发量变化趋势。使用泰安站2005—2022年蒸发量日值观测数据,通过Neural-Prophet算法耦合Optuna算法建模进行蒸发量的预测,并与其他预测模型的评价指标做出比较。结果表明:泰安市年及各季的蒸发量都呈现出明显的减少趋势,且在今后的一段时期内,大部分区域都将延续这样的发展态势。模型给出的预测数据准确率很高,符合要求,可以利用到日常生产及科研指导中,为蒸发量的预测提供了一种新途径。

基于IGA-Optuna-LightGBM的民航潜在旅客预测

为了进一步提升民航潜在有价值旅客的预测准确度,提出一种基于LightGBM的民航潜在旅客预测模型。首先,通过改进遗传算法的选择算子和交叉变异概率,改善标准遗传算法易于陷入局部最优和收敛速度慢的问题,并使用改进遗传算法(IGA)进行特征选择,找到最优特征变量;其次,对LightGBM模型进行训练,使用Optuna框架优化超参数,得到最终的旅客预测模型;最后,通过LightGBM模型对民航旅客进行类型预测,进而找到具有潜在价值的旅客。实验结果表明,基于IGA-Optuna-LightGBM模型的预测准确度达到0.962,AUC值达到0.991,预测性能优于其他模型。

利用改进XGBoost预测RH精炼终点钢水温度

合适的RH精炼终点钢水温度是保证连铸坯质量的重要前提.为了准确地预测RH精炼终点钢水温度,首先利用随机森林在处理高维数据集上的优势,采用袋外数据评分法进行特征选择,以确定模型的输入变量;然后利用Optuna框架优化XGBoost超参数,减少计算耗时,提高模型命中率;最后,结合实际的RH精炼生产数据进行模型验证.结果表明:与网格搜索和随机搜索相比,Optuna框架在优化XGBoost超参数的计算耗时和命中率上具有一定优势;与优化后的GBDT和LightGBM两种模型相比,优化后的XGBoost模型具有更好的预测性能,在偏差为±5℃时RH精炼终点钢水温度的命中率达到92%.

基于集成学习的脱硫剂加入量预测方法

为解决铁水预脱硫过程中脱硫剂加入量控制问题,提出一种基于集成学习的脱硫剂加入量预测方法。首先,对原始数据进行预处理,将空值、重复值、0值以及不符合工艺规范的数据行删除,并使用LOF算法结合专家经验剔除异常值;其次,基于GBDT算法计算每个输入特征的重要性占比,进行特征筛选;最后,采用Optuna超参数自动寻优框架对预测模型调优,寻找最佳超参数组合,预测脱硫剂加入量。利用某钢厂铁水预处理过程中的实际生产数据,分别采用XGBoost、RF、GBDT以及LightGBM等方法构建预测模型并进行对比试验。其中XGBoost模型的拟合精度(R^(2))、均方根误差(RMSE)、平均绝对误差(MAE)以及平均绝对百分比误差(MAPE)分别为0.8962、198.245、119.726以及7.897%,相较于其它模型均是最优。