基于Stacking融合模型的Web攻击检测方法

随着计算机技术与互联网技术的飞速发展,Web应用在人们的生产与生活中扮演着越来越重要的角色。但是在人们的日常生活与工作中带来了更多便捷的同时,却也带来了严重的安全隐患。在开发Web应用的过程中,大量不规范的新技术应用引入了很多的网站漏洞。攻击者可以利用Web应用开发过程中的漏洞发起攻击,当Web应用受到攻击时会造成严重的数据泄露和财产损失等安全问题,因此Web安全问题一直受到学术界和工业界的关注。超文本传输协议(HTTP)是一种在Web应用中广泛使用的应用层协议。随着HTTP协议的大量使用,在HTTP请求数据中包含了大量的实际入侵,针对HTTP请求数据进行Web攻击检测的研究也开始逐渐被研究人员所重视。本文提出了一种基于Stacking融合模型的Web攻击检测方法,针对每一条文本格式的HTTP请求数据,首先进行格式化处理得到既定的格式,结合使用Word2Vec方法和TextCNN模型将其转换成向量化表示形式;然后利用Stacking模型融合方法,将不同的子模型(使用配置不同尺寸过滤器的Text-CNN模型搭配不同的检测算法)进行融合搭建出Web攻击检测模型,与融合之前单独的子模型相比在准确率、召回率、F1值上都有所提升。本文所提出的Web攻击检测模型在公开数据集和真实环境数据上都取得了更加稳定的检测性能。

基于Stacking融合模型的PHEV复合储能系统实时能量分配策略

为了解决插电式混合动力汽车单一电池低比功率、无法响应暂态功率需求的问题,设计了电池和超级电容并联式复合储能系统。同时针对采用动态规划法优化负载电流分配时缺乏实时性的问题,利用不同驱动工况下动态规划优化的结果构成训练集进行训练,并综合GRU网络以及XGBoost算法,提出了一种Stacking集成学习框架下多模型融合的能量分配策略。仿真结果表明,与仅使用单一电池的储能系统相比,基于Stacking融合模型的实时能量分配系统在UDDS和US06两种循环工况下,电池峰值电流分别降低了48.7%和50.8%,有效削弱了电池的峰值电流,提升了电池的整体性能。

基于互补集成经验模态分解和Stacking融合的短期风速组合预测模型

针对风电场短期风速预测准确度不高的问题,提出一种基于互补集成经验模态分解和Stacking融合的短期风速组合预测模型。首先,为突出短期风速的局部特征并降低建模难度,通过互补集成经验模态分解算法将短期风速分解为若干个稳定分量。然后,利用信息熵和近似熵来判定各分量的复杂度,高复杂度分量选择最小二乘支持向量机、低复杂度分量选择随机配置网络作为对应的预测模型。利用Stacking算法对每个模型的预测值进行融合,使预测精度得到提升。最后,通过一组实际的短期风速数据作为研究对象,将提出的预测模型应用于其预测。对比结果表明,所提预测模型可提高短期风速的预测精度。

基于Stacking的套损预测方法研究

根据油气生产过程中的套管损坏影响因素众多、数据复杂等特点,通过数据预处理、随机森林重要性分析等技术对现场数据进行分析与整合,采用特征工程的方法处理缺失值并选取特征参数。针对传统机器学习模型对套损预测不佳的问题,提出采用双层Stacking模式集成学习预测模型;该模型采用随机森林、支持向量机、梯度提升决策树和K近邻算法为基模型,逻辑回归为元模型,以此构建泛化能力更强的套损预测模型。结果表明,该模型较于单一的机器学习模型准确率与F1值均有提升,该模型最终的准确率达到89.21%。

基于Stacking模型融合的AOD终点碳温预测

为提高AOD不锈钢冶炼终点碳温预测的准确性和可靠性,提出一种基于多个机器学习算法(RF、XGBoost、AdaBoost、KNN、SVR和岭回归)嵌入的Stacking模型融合的AOD终点碳温预测方法。基于理论基础和相关性分析确定了模型的输入特征变量,利用箱线图法对历史数据进行预处理,结合5折交叉验证和贝叶斯优化算法确定了模型的最优参数,通过对上述6种机器学习算法的逐层筛选,构建了RF+XGBoost+KNN—RF二层Stacking多模型融合的终点碳含量预测模型、RF+AdaBoost+KNN—RF+XGBoost+KNN—XGBoost三层Stacking多模型融合的终点温度预测模型。预测结果表明,RF+XGBoost+KNN—RF二层Stacking模型在终点碳质量分数误差为±0.01%的命中率为87.86%,RF+AdaBoost+KNN—RF+XGBoost+KNN—XGBoost三层Stacking模型在终点温度误差为±15℃的命中率为94.22%,相较于单一的机器学习模型,预测精度显著提高。

基于Stacking多模型融合的储能电站电池预制舱消防预警

由于储能电站电池预制舱监测温度由多个传感装置独立组成,导致对高温异常进行消防预警的灵敏度偏低,为此,提出基于Stacking多模型融合的储能电站电池预制舱消防预警方法研究。引入了Stacking集成学习方法,对多元储能电站电池预制舱温度数据进行融合处理,并利用正则系数对融合后数据的偏差进行校正;在消防预警阶段,结合温度参数表现的发展趋势以及消防预警的时间尺度要求,设置了个性化的预警温度,根据融合结果与预警温度之间的关系,判断是否作出预警处理。在测试结果中,设计方法对于不同程度异常温度均实现了有效的预警,具有良好的灵敏度。

基于多因子融合和Stacking集成学习的大坝变形组合预测模型

变形是反映大坝服役形态变化的直观表征,构建高效准确的变形预测模型对于大坝结构安全控制十分重要。传统单因子及单算法变形预测模型存在泛化能力不足、鲁棒性差等问题,易出现预测偏差甚至误判。针对这一问题,本文选取不同变形解释因子及回归算法,构建多种单因子单算法预测模型,结合Stacking集成学习思想,对上述模型进行组合,提出了大坝变形组合预测模型。该组合模型以Stacking集成学习为核心,采用高斯过程回归作为元学习器,从算法、因子两方面对单因子单算法预测模型进行集成,并通过k折交叉验证减小模型过拟合风险。以某混凝土拱坝变形监测数据为例,通过多模型构建与性能比较,对所提出模型的准确性与有效性进行评估。结果表明:单因子单算法预测模型具备准确性和多样性的特征;通过算法、因子集成,组合模型的预测精度和鲁棒性得到了显著提高,在水位波动期的预测能力得到了有效增强。综上,大坝变形组合预测模型具备出色的非线性信息挖掘与建模预测能力,可为大坝安全监测提供可靠依据。

基于Stacking模型融合的抽油机故障诊断算法

抽油机故障诊断过去基本采用单分类器识别的方法。针对单分类器识别的局限性和抽油机故障诊断的复杂性,提出了一种基于Stacking的多模型融合的抽油机故障诊断算法。首先,对8种不同的抽油机故障图像进行数据清洗,得到二值化图像;然后分别使用AlexNet、VGG16、GoogLeNet、ResNet50作为基学习器,对采集的抽油机故障图像进行分类识别;最后,采用基于Stacking的集成学习方法,将各基学习器的预测结果融合重构后,作为次级元分类器XGBoost的输入,其输出即为最终识别结果。实验结果表明,使用该方法对8种最常见的抽油机故障图像进行实验,平均识别率高达98.16%,基于Stacking的多模型融合的抽油机故障诊断算法显著优于由单一特征组合构建的同类分类器算法,并且具备较好的泛化能力与鲁棒性。

基于多模型融合Stacking集成学习保险欺诈预测

本文结合人工智能的前沿理论研究,提出一种基于改进XGBoost与LightGBM模型融合的Stacking集成学习方式的保险欺诈行为预测模型.该模型对保险公司被保人保险欺诈行为的识别具有启示意义,有助于保险公司更好地识别被保人的骗保行为,强化自身风控体系.首先对XGBoost与LightGBM进行Stacking模型融合生成两个新特征,新生成的两个特征和原有的40个特征合并作为第二层Stacking训练模型的输入.其次,在Stacking的第二层中分别选择使用多种分类学习模型,包括Bagging、LightGBM、XGBoost以及传统机器分类模型,包括逻辑回归、高斯贝叶斯、决策树等,各模型的训练和参数均由K折交叉验证和遗传算法优化得到.算例数据来源于阿里云天池挑战赛公开的保险欺诈数据集,对构建多模型融合的Stacking模型预测性能进行了验证与测试.预测结果表明,与传统机器分类模型预测结果相比,基于XGBoost与LightGBM Stacking模型融合集成学习模型对保险欺诈行为具有较高的识别能力.最后,根据计算并可视化出最优分类模型不同特征的重要性结果,得出结论:被保人的职业、发生保险事故的城市、发生保险事故的地区、资本收益、资本亏损是识别保险欺诈行为的重要特征.

基于Stacking集成模型的台区线损率预测方法研究

针对现有线损率预测方法预测精度较低的问题,提出了一种将Stacking集成学习模型与改进的k-均值聚类方法相结合用于预测台区的线损率。通过聚类方法进行数据聚类,再通过Stacking集成学习模型对台区线损率进行预测。Stacking集成学习模型由XGBoost模型、梯度决策树模型和支持向量机模型构成。与传统预测方法进行对比分析试验验证可行性。结果表明,与传统的线损率预测方法相比,所提出的线损率预测方法具有更好的预测效果,更高的预测精度和拟合效果。该研究为实现电网双碳目标提供了一定的参考。

基于Stacking融合模型的客户贷款行为预测

在大数据时代,如何根据已有的贷款金融客户信息精准预测客户行为,探索大数据时代公司客户贷款行为规律,对公司贷款业务的开展进行指导,从而有效提高公司贷款投放金额规模,为金融机构选择优质的贷款客户提供决策依据.目前单一的预测模型研究方法虽然相对成熟,但容易受到其他一些随机因素的影响,导致预测的准确率和召回率不高,且模型仅适用于某些特定环境,泛化能力不强.因此,基于已获取的数据,本文使用数据挖掘技术,融合多种机器学习算法,针对特征选择前后的数据建立Stacking融合模型来预测客户的贷款行为.结果表明,通过数据建模分析,相较于预测性能较好的单模型Adaboost,融合模型各评价指标都有一定的提高.而且融合预测模型较为稳定,可以为公司挖掘潜在客户提供有效的业务开拓依据和实现资金精细化管理奠定坚实基础,具有较大的参考价值和现实意义.

基于多模型融合的中长期径流集成预测方法

中长期水文预报是流域水资源规划与合理配置的重要依据。为提高中长期径流预测精度,提出了一种基于多模型融合的水库中长期径流集成预测方法。该方法将ARMA、BP、LSTM、RF和SVR等5个异质预测模型进行融合,同时采用超参数优化方法确定各模型的最优参数。将其用于青海省龙羊峡水库的中长期径流预报中,结果表明,通过Stacking融合算法建立的集成预测模型相较于单一模型,取得了更高的预测精度(R2值由0.71提升至0.82)。此方法可为提升流域中长期径流预测精度提供一定参考。

基于Stacking融合模型的信用贷款违约预测的研究--以GiveMeSomeCredit数据集为例

文章在Give Me Some Credit数据集上构建Stacking模型,使用SMOTE+Tomek Link综合采样法处理非平衡数据。在实证研究上,选择逻辑回归、K近邻、神经网络、随机森林、LightGBM、XGBoost、Adaboost以及CatBoost模型,并将上述模型分3种情况进行Stacking模型融合。结果显示,对此数据集而言,将随机森林、XGBoost、Adaboost、K近邻以及神经网络5个模型作为基学习器,将逻辑回归作为第二层学习器建立Stacking模型的效果最好。因此,利用Stacking模型构建信用贷款违约风险预测模型具有优异的分类性能和较强的可行性。

基于Stacking的个人薪资预测研究

薪水是求职者着重考虑的因素,在信息飞速发展的时代,求职者寻找工作时希望通过各种方法去合理地评估自己的薪酬区间,而人们往往难以对自己的薪资水平进行合理预测,因此合理评估能力,进而找到适合自己的薪资标准就显得格外重要。基于这个现实问题,通过对原始数据进行分析处理并结合Stacking算法,即融合随机森林、梯度提升树、XGBoost、逻辑回归等模型,对求职者的薪水进行一个合理的预测,并且通过实验显示,使用Stacking融合算法的模型具有更好的预测性能和泛化能力。

基于Stacking融合模型的乌鲁木齐市空气质量指数预测

随着社会的发展和公众环保意识的增强,空气质量日益成为公众关注的问题。预测未来空气质量情况,有利于提前采取污染防治措施和居民活动选择。以污染物因素和气象因素作为空气质量指数预测指标,建立基于Stacking融合的预测模型,利用新疆乌鲁木齐市2016年1月至2021年12月的空气污染物监测数据和气象数据,对乌鲁木齐市空气质量情况进行了预报,并与其他算法进行了对比。研究结果表明:Stacking融合模型在AQI数值预测方面的性能优于其他对比模型,具有良好的预测效果。

基于机器学习模型FY⁃3D MWRI海面风速反演

风云三号D星(FY-3D)微波成像仪(MWRI)L1级亮温数据可用于全球海面风速反演,本文讨论了在晴空区和云区使用多元线性统计回归模型和机器学习模型反演海面风速的情况,在晴空区将4 d测试集分别放入多元线性统计回归模型,采用随机森林(RF),支持向量回归(SVR),卷积神经网络(CNN)和Stacking融合(SF)模型对海面风速进行反演,最优的均方根误差(RMSE)分别为1.56、1.31、1.24、1.29和1.27 m/s;在云区2 d测试集上的最优RMSE分别为2.12、1.98、1.87、1.89和1.89 m/s。为了进一步验证晴空区海面风速反演的可靠性,选取美国国家浮标数据中心(NDBC)实测的浮标风速对海面反演风速进行验证,CNN反演风速与NDBC实测风速的RMSE为0.74 m/s,决定系数(R^(2))为0.80;SF反演风速与NDBC实测风速的RMSE为0.85 m/s,R^(2)为0.74。结果证实了通过机器学习模型能够很好地完成FY-3D MWRI亮温反演全球海面风速的任务。

基于Stacking模型融合的深基坑地面沉降预测

为了提高机器学习对深基坑地面沉降的预测能力,本文提出了一种基于Stacking集成学习方式的多模型融合的地面沉降预测方法,并以深圳某深基坑为例,采用斯皮尔曼相关性系数对基坑地面沉降的影响因子进行筛选;运用筛选后的8个影响因子建立Stacking深基坑地面沉降预测模型,以验证该方法的适用性。结果表明:Stacking预测模型的平均绝对误差为0.34、平均绝对误差百分比为2.22%,均方根误差为0.13,相较于传统基模型(随机森林、支持向量机和人工神经网络),Stacking预测模型的平均绝对误差、平均绝对误差百分比和均方根误差值皆为最小。

基于轻量级的DialogueRNN多模态优化方法

对话情感识别(ERC)是自然语言处理中非常活跃的研究领域,而对话语情感进行分类也广泛应用于人机交互中,目前大多数研究主要集中在对说话人和上下文信息建模上,主要使用简单的特征拼接来利用多模态信息而忽略了模态间的依赖关系。为了解决上述问题,该文使用基于注意力机制的网络模型来动态地融合多模态特征,提出了一种基于轻量级的DialogueRNN多模态优化方法MMRNN(multimodal RNN)。首先,在多模态融合的过程中输入注意力得分来关注更重要的模态;其次,优化掉DialogueRNN中的情感GRU;最后,对模型进行堆叠以增加模型深度,并在每层的输出加上注意力机制得到最终情感输出。通过在两个公开的数据集上的模拟实验结果表明,提出的基于轻量级的DialogueRNN多模态优化方法具有较好的性能。

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。

基于Stacking模型融合的店铺销量预测

为了实现企业产品销量预估,提高生产供应的准确性与效率,提出了基于Stacking模型的融合算法进行销量预测。算法设计了两层堆叠的模型结构,初级学习器采用随机森林、支持向量回归、差分整合移动平均自回归、轻量级梯度提升机器和门控循环单元5种单模型,将分类与回归树作为次级学习器构成Stacking融合模型,并对数据进行了预测。预测结果显示,使用Stacking模型融合后得到了较好的预测结果,比单模型中效果最好的模型的均方根误差更小,平均绝对误差更小,决定系数值更大,表明Stacking融合模型的预测准确率更高。所设计模型可用于对企业店铺的产品销量进行预测,帮助企业更好地安排生产、营销活动,为减少库存、缩短生产销售周期提供数据支持,对企业生产决策有一定的参考价值。