基于stacking组合模型的轨道交通换乘站短期客流预测

轨道交通换乘站的进出站客流相对于一般的中间站影响因素更加复杂,具有更加显著的随机性和波动性。本文针对5min小区间进出站客流,在有效提取客流时间特征基础上,提出了一种基于stacking组合模型的轨道交通短期客流预测方法(GGRK-MLR)。该方法基于stacking算法,将梯度提升回归(GBR)、K近邻回归(KNN)、随机森林回归(RFR)作为初级训练模型,将多响应线性回归神经网络(MLR)作为次级训练模型。实验结果表明,组合模型相对单个模型预测精度更高,在客流曲线波动上有更好的拟合效果。

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Stacking集成学习的热轧带钢凸度诊断模型

在热连轧生产过程中,凸度是重要的质量指标,过程数据的非平衡性限制了数据驱动模型的预测效果,为提高模型的预测精度,提出一种融合SMOTE和Stacking集成算法的热轧带钢凸度诊断模型。首先,采用SMOTE过采样方法处理凸度相关数据集,降低数据非平衡分布导致的影响;然后,构建以轻量级梯度提升机(LightGBM)、支持向量机(SVM)、K近邻(KNN)和随机森林(RF)为基学习器,逻辑回归(LR)为元学习器的Stacking集成模型,最后,使用某2160 mm热轧带钢实际生产数据进行模型验证。研究结果表明,诊断模型的准确率、少数类召回率、平衡F分数、几何平均值和ROC曲线下面积分别为0.9580、0.9595、0.9573、0.9589和0.9579,与XGBoost、LightGBM、KNN、SVM和随机森林模型对比,预测效果最优,证明了Stacking集成算法能够有效增强诊断模型的泛化能力,具有优良的诊断性能。

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模型的学术论文多标签分类系统构建

学术论文高质量多标签自动分类是推动学术研究发展的关键程序之一。本研究利用Stacking模型将随机森林、支持向量机、极限树、极端梯度提升和神经网络五个分类器融合为一个异质集成分类器,并利用基于问题转换思想的多二分类模型将该分类器应用于学术论文多标签分类。根据学术论文的特点,依次实现了与之配套的论文特征提取模块、TF-IDF加权模块、数据预处理模块,最终构建成一个面向学术论文的多标签分类系统。仿真实验验证了本研究构建的学术论文多标签分类系统在处理学术论文多标签分类问题时,较传统的单模型分类器或同质集成模型分类器在泛化能力、稳定性与准确率方面都有一定程度的提升。图9。参考文献21。

基于钻进参数实时预测土体力学性质的Stacking集成模型

岩土体物理力学参数对工程勘察、设计、施工等作业不可或缺,但常规取样试验或原位检测均存在明显的精度误差。据此本文提出基于勘察钻探的实时钻进参数,建立基于机器学习的随钻土体物理力学参数模型。通过采集位于珠海市国家高新技术产业开发区内20 m勘探孔的真实数据,将EP-200G型钻机实时随钻采集的钻压、扭矩和三轴振动作为输入数据,将全孔土体粘聚力、内摩擦角、含水量与弹性模量试验数据作为输出。基于建模数据分析,证明使用单算法的3类机器学习模型(支持向量机、神经网络和决策树)的预测精度最高仅为0.78,而基于Stacking理念的集成模型可将预测精度提升至最高0.98。结合该模型,进行了随钻参数与土体参数间的敏感性分析,证实当不同土体参数发生变化时,不同随钻参数会发生明显变化,证明了随钻参数预测土体参数的可靠性与适用性。

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。

坝基灌浆量预测ISSA-Stacking集成学习代理模型研究

灌浆量预测对坝基灌浆施工具有重要意义.由于灌浆工程隐蔽且复杂,传统方法难以实现准确高效的灌浆量预测.代理模型是一种能够建立影响因素与响应值之间近似关系的快速求解方法,然而单一代理模型的预测稳定性和准确性较低,组合代理模型仅将单一模型结果进行加权平均,预测精度仍有待提高.为解决上述问题,本文提出一种ISSA-Stacking集成学习代理模型新方法用于灌浆量预测研究.首先,针对灌浆量预测具有数据量小、影响因素与灌浆量之间非线性关系复杂且预测不确定性较大等特性,基于Stacking集成学习策略,选取在小样本预测中表现优越的支持向量回归(SVR)、具有良好非线性拟合能力的BP神经网络(BPNN)和预测泛化性能及稳定性高的随机森林(RF)等算法作为基学习器,采用自适应学习和不确定性处理能力强的自适应神经模糊推理系统(ANFIS)作为元学习器以集成上述机器学习算法的优势,构建具有更优预测性能和泛化能力的Stacking集成学习方法作为代理模型;其次,为进一步提高模型预测精度,采用混沌理论和Lévy飞行策略改进的麻雀搜索算法(ISSA)对集成学习代理模型进行参数同步优化;最后,将所提ISSA-Stacking集成学习代理模型应用于某实际灌浆工程的灌浆量预测并与其他方法进行对比分析.结果表明,所提方法具有较高的预测精度,绝对平均误差仅为0.21 m^(3);与组合代理模型及单一代理模型(SVR、BPNN和RF)相比,平均精度分别提高24.34%、30.84%、32.68%和26.56%,为灌浆量预测提供了一种新思路.

基于Stacking集成模型的煤层瓦斯含量预测研究

煤层瓦斯含量精准预测是预防井下瓦斯灾害事故的重要环节,为提高井下瓦斯含量预测的科学性及准确性,获取不同矿区的41组数据,包括瓦斯含量、埋深、煤厚、水分、灰分以及挥发分。对最小二乘支持向量机(LSSVM)、深度信念网络(DBN)、长短期记忆(LSTM)、Elman神经网络及自适应增强(Adaboost)五种算法进行初选,得到最优基模型为最小支持二乘向量机、自适应增强以及深度信念网络。通过基模型集成得到7种瓦斯含量预测模型,得到Stacking-LSSVM-Adaboost、Adaboost、Stacking-Adaboost-DBN和Stacking-LSSVM-Adaboost-DBN四种模型为优选模型。采用判定系数、平均绝对误差、均方根误差以及平均绝对百分比误差四种预测评价指标对优选出的四种模型进行综合评估,选择MAE<0.2、RMSE<0.3且MAPE<10的模型作为最终瓦斯含量预测模型。结果表明,Stacking-LSSVM-Adaboost-DBN集成模型判定系数为0.951,MAE、RMSE和MAPE分别为0.170、0.204及7.412,所建立模型拥有较高预测精度,可为矿井瓦斯灾害防治提供一定依据。

基于Null Importance和Stacking模型的知识追踪研究

为应对基于游戏的学习平台在知识追踪应用方面的不足,本研究利用Field Day Lab提供的教育游戏用户日志进行深入分析。采用方差法和Null Importance方法对数据集进行降维处理,并结合K折交叉验证与LightGBM算法,建立了一个高效的预测模型。此外,通过集成Logistic模型,构建起Stacking模型。研究表明,该模型在验证集上的Macro-F1值显著提升至0.699,同时也在测试集上显示出优异的泛化能力。本研究为教育游戏领域的知识追踪提供了创新方法,并为游戏开发与教育实践提供了宝贵参考,支持教育游戏的开发者为学生创造更有效的学习体验。

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。

基于分时数据与优化Stacking模型的光伏电站辐照度预测

为提高复杂天气条件下地表太阳辐射的预报能力,提出了一种基于分时预测与模型融合的预测方法。首先,通过补充天文辐射特征以反映太阳辐射强度的周期性,并结合天气分类方法引入辐照度衰减系数,对天文辐射进行修正,从而增强了相关性。其次,对数据进行了相关性分析,结果显示地表辐照度主要与天文辐射高度密切相关,而其他气象因素的相关性较低。因此,将数据集按时间节点划分为若干子集,以改变数据分布,从而提升其他关键特征之间的相关性。鉴于不同的数据集使用单一模型进行预测可能导致结果差异,为此采用Stacking算法来提高模型的泛化能力。同时,通过引入交叉验证和叠加高斯噪声的数据增广技术,实现对Stacking模型的优化。实验结果表明,优化后的Stacking模型能够有效提升泛化能力并降低过拟合风险;所提方法能有效识别复杂天气下地表辐照度的随机性,其准确率和合格率分别达到了95.8%和96.7%,相比传统预测方法提高了4%~19%。

基于气象因素的Stacking回归模型的短期负荷预测方法

为了有效提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于气象因素的Stacking回归模型的短期负荷预测方法。以某地区的历史日最大负荷数据、气象数据作为实验训练样本,对多种模型采用多种可行思路进行日滚动预测。经过对比分析,选择基于气象因素的Stacking回归模型作为主要预测算法,并结合相似日调整作为主要协调算法。实验结果表明,所提出的预测方法相比ARIMA模型方法、多元回归模型方法和自回归模型方法具有更高、更稳定的预测精度。

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。

基于实况资料的Stacking回归模型下游气温预报方法

【目的】目前大多数气温预报模型是基于数值预报建立的。这种模型存在一个主要问题,即预测精度完全受数值预报精度的影响,导致预报员过度依赖该模型,缺乏对天气实况资料的认知。【方法】该文利用2013-2022年的贵州省自动气象站资料,在考虑气温上下游的相关性的基础上,使用夏季气温实况资料得到了安顺市西秀区日最高和最低气温与省内其他台站之间相隔24 h的皮尔逊相关系数。然后,利用机器学习块选择了Stacking回归模型,建立本地未来24 h的气温预报方法。【结果】(1)上下游最高和最低气温相关性均通过了0.005的显著性检验,表明西秀区24 h气温变化主要受到上游毕节、大方、播州、开阳和贵阳等地的影响;(2)该文所建立的Stacking回归模型能够很好地预测24 h最高和最低气温的变化趋势,在使用±2℃的温度检验方法下,准确率分别达到了83.7%和93.47%;(3)最高气温的预测准确率低于最低气温,反映出西秀区最高气温预报的难度较高。【结论】该方法能够有效降低对数值模式的过度依赖,同时在预测本地24 h气温时具有较高的准确率、稳定性和普适性。

基于Bayesian-Stacking模型的电影票房预测

本文构建了一种基于XGBoost的特征选取方法以及Bayesian-Stacking集成算法的票房预测模型。首先,构建XGBoost的影响力测量模型进行变量筛选,能够简化后期模型的输入和提高模型特征变量的可解释性;其次,分别构建了BP神经网络、XGBoost、Logistic Regression、LightGBM、GBDT以及Stacking模型,再利用贝叶斯优化算法实现上述模型超参数全局寻优后,对电影票房进行预测;最后,引入评价指标进行分析。结果表明:1)将贝叶斯优化算法与模型相结合,获得了相对于原模型更高的预测精度;2)Bayesian-Stacking模型的电影票房预测精度均优于其他模型。Bayesian-Stacking模型在电影上映期间预测最终票房具有较高的参考价值,可为有关部门提供决策参考。

基于Stacking融合模型的汽车保险诈骗分析

随着中国新能源汽车的兴起,关于汽车保险诈骗的问题日益突出。为了对保险诈骗行为进行有效识别,本文基于机器学习的相关理论,利用模拟退火算法调参的Stacking融合模型对保险欺诈进行预测。首先,利用随机森林和XGBoost算法筛选得到两个不同特征的训练数据集,然后通过差异化的数据来优化Stacking模型的预测能力,并利用交叉验证法得到最优模型,其准确率为87.43%。实证分析表明,相较于未使用差异化数据的Stacking模型,本文所建的融合模型对汽车保险欺诈行为有更高的识别能力。With the rise of new energy vehicles in China, the issue of car insurance fraud has become increasingly prominent. In order to effectively identify fraudulent insurance activities, this study employs the Stacking ensemble model, optimized using simulated annealing algorithm tuning based on machine learning theories, to predict insurance fraud. Initially, utilizing the Random Forest and XGBoost algorithms, two distinct feature sets are selected to construct training datasets. Subsequently, by employing differentiated data, the predictive capability of the Stacking model is enhanced. Through cross-validation, the optimal model is obtained and its accuracy is 87.43%. Empirical analysis shows that compared to the Stacking model without differentiated data, the ensemble model developed in this study exhibits superior capability in identifying fraudulent behaviors in car insurance.

基于Stacking预测模型的变桨功率优化策略研究

通过对如何提高风力发电机组的安全运行稳定性和发电量的深入研究,提出了一种基于Stacking预测模型的变桨功率优化算法,既可提高风电机组的发电功率,又减小叶根挥舞弯矩,降低对叶片、风轮、低速轴等部件的损害,提高其运行稳定性。以某一日风电机组功率为例开展变桨功率优化结果表明,发电量提高了2.18%,且3个叶片叶根挥舞弯矩也明显降低。该方法可用于风电场的功率优化和变桨控制。

基于Stacking集成学习的Lasso-GBDT组合房价预测模型研究

房地产行业是我国国民经济的重要组成部分,关乎国计民生。房价预测的准确性与稳定性,对政府、开发商和广大市民均具有重要的现实意义。本文利用网络爬虫方法获取银川市2015年4月至2021年3月安居客房产信息服务平台样本住宅价格数据,分别利用Lasso模型和梯度提升决策树(GBDT)模型对银川市房价进行预测;综合两种预测方法的优点,建构基于Stacking集成学习的Lasso-GBDT组合回归预测模型。通过实例预测结果比较,组合预测模型预测精度均在0.98以上,能有效避免病态数据对拟合程度的影响,较单项预测模型有更高的准确性和稳定性。