基于RUN-XGBoost算法的土石坝渗流预测模型

针对传统土石坝渗流预测模型存在局部最优、抗干扰性差和预测精度低等问题,通过RUN算法优化XGBoost算法得到RUN-XGBoost算法,构建了RUN-XGBoost模型以获得更优的土石坝渗流预测结果。该模型在种群初始化时采用RUN算法对XGBoost算法的3个主要参数进行改进,使预测结果有较高的有效性;通过自动寻找最优参数增进算法的整体收敛速度和预测精度,同时引入随机解,使算法能够排除局部最小值并继续搜索,从而获得全局最优结果。工程实例验证结果表明,RUN-XGBoost模型具有简洁、高效、预测精度高、鲁棒性强等优点。

基于XGBoost算法的人—虎共存区域风险等级划分

以2014—2019年珲春地区红外相机拍摄的东北虎数据为基础,基于XGBoost算法构建了虎出没区域风险等级划分模型。由模型检验可知:模型的准确率为93.51%,精确率为93.85%,召回率为93.08%,F1值为93.31%,Cohen s Kappa统计系数为90.2%。研究结果表明:基于XGBoost算法构建的人-虎共存区域风险等级划分模型分类效果好、预测准确度高,运用该模型对人-虎共存区域进行风险等级划分是可行的。

基于ADASYN-GS-XGBOOST混合模型的火山岩测井岩性识别

火山岩的形成环境复杂,有些地区的火山岩可能只发育两三种岩石类型,这会导致不同岩性取心资料的代表性严重失衡。针对现有的测井岩性识别方法在处理类间不均衡样本时出现效果较差的问题,提出基于ADASYNGS-XGBOOST混合模型的火山岩岩性识别方法。首先通过ADASYN过采样算法对不均衡样本进行处理得到新的样本集,再以XGBOOST算法作为基分类器对样本进行分类,并利用网格搜索法(GS)对模型进行参数优化,以此建立ADASYN-GS-XGBOOST混合岩性识别模型。将该混合模型训练后的结果与K近邻、朴素贝叶斯、随机森林、XGBOOST及SMOTE-GS-XGBOOST等算法的岩性识别结果进行对比,表明基于ADASYN-GS-XGBOOST算法建立的模型识别效果最好。该方法克服了已有岩性识别方法无法有效解决不均衡样本的问题,极大地提升了火山岩岩性识别的准确率。

基于参数优化VMD与XGBoost算法的玉米蛋白粉价格预测

玉米蛋白粉价格稳定对饲料工业可持续发展和国家粮食安全具有重要意义,但其价格序列具有非平稳、非线性特征,难以精确预测。试验旨在基于XGBoost算法,构建玉米蛋白粉价格预测模型。首先,利用鲸鱼算法(WOA)优化变模分解(VMD)的K值和惩罚参数,对原始价格序列进行自适应分解,降低数据噪声。其次,将Pearson特征筛选后的变量作为极限梯度提升树(XGBoost)模型的输入,进行训练和测试。最后,使用10折交叉验证和学习曲线检验模型性能,并结合SHAP模型分析关键影响因素的非线性效应。结果显示,上一期豆粕期货价格对本期玉米蛋白粉价格波动具有显著的正向影响。研究表明,贝叶斯算法(BO)优化的XGBoost模型具有较好的预测性能,优于基准模型。

在线医药电商评论情感分析——基于XGBoost集成加权词向量和大语言模型的情感识别模型

消费者评论是考察消费者情感的重要数据源,对商品评论进行数据挖掘是帮助在线医药电商改善经营的重要途径。立足于在线医药电商的用户评论,基于SO-PMI(情感倾向点互信息)算法构建该领域情感词典,对评论词向量进行情感加权。利用XGBoost(极限梯度提升树)集成词向量和LLM(大语言模型)构建情感识别模型,最后得出评论情感指数,从多个维度展开,分析消费者评论中的情感趋势。实证分析表明,构建的情感识别模型的AUC(曲线下的面积)等验证指标较LLM模型相比有进一步提升,具有一定的应用价值。

基于XGBoost算法的车载场景识别辅助组合导航研究

现有组合导航算法在卫星信号复杂的环境中存在误差随时间发散的问题。针对不同的车载场景增加不同的辅助策略,以提升导航精度,提出了一种基于XGBoost算法的车载场景识别辅助组合导航技术。首先,根据行车过程中的卫星导航数据和车辆状态数据构建特征,并通过Kruskal-Wallis检验比较不同车载场景下特征的分布差异;其次,使用XGBoost算法拟合经过预处理的数据,得到车载场景识别模型;最后,当识别到地库场景时,通过力学编排计算航向角的变化量,也使用轮速运动学模型计算航向角的变化量,然后对两种方式计算的航向角变化量求均值,重新计算当前时刻的姿态,再用新的姿态更新速度和位置。实验结果表明,在地库场景下,相较于不增加轮速运动学辅助的算法,增加辅助的组合导航算法的航向精度标准差平均提升55.27%。

基于TPE_XGBoost的冠心病风险评估与致病因素研究

当前,冠心病的患病率逐年攀升,年轻化趋势明显。为确定冠心病的高致病因素,提升诊断准确率,构建预测模型。选取南京中医药大学附属连云港中医院的体检数据作为模型输入,首先构建XGBoost冠心病预测模型,并与支持向量机、逻辑回归、随机森林等算法进行对比;然后采用贝叶斯优化算法优化模型参数,获得最优的TPE_XGBoost预测模型;最后,利用SHAP算法对各特征进行分析解释,获得冠心病的高致病因素。结果显示,优化后的TPE_XGBoost模型在评价指标上表现较好,准确率达到0.993 7,F1值达到0.995 5,AUC达到0.998 3,排名前四的危险因素为年龄、体重指数、低密度胆固醇、舒张压,可为冠心病的临床决策提供参考。

利用XGBoost的路由算法关键故障点识别方法

单粒子效应下保证路由算法的可靠性尤为重要,针对穷举故障注入的方式识别程序关键故障点开销过大的问题,本文提出一种利用XGBoost的路由算法关键故障点识别方法。方法首先将单粒子效应导致的单位翻转映射到路由算法的程序指令中,并建立故障模型;然后利用该故障模型指导故障点特征向量的提取与构建,使用XGBoost算法训练故障点故障类型预测模型;最后根据模型预测结果识别出路由算法中的关键故障点。实验结果表明,与其他模型算法相比,本文提出的利用XGBoost的路由算法关键故障点识别方法有着较高的识别率,同时减少了穷举故障注入方式带来的开销。

基于XGBoost的炸药岩石匹配系统研究

现代爆破工程研究中,炸药岩石的匹配模型为揭示爆破过程内在机制和预测爆破系统的经济效益提供了科学依据,已经成为不可替代的重要工具。但由于土岩介质的多样性和复杂性、炸药爆炸过程的不确定性,炸药岩石的相互作用在爆炸过程中就更为复杂和不确定,很难从其相互作用过程来研究炸药与岩石的匹配。早期的研究主要是依靠经验公式与现场试验进行推算总结,往往存在特征值高,适用环境苛刻的情况,而机器学习的特点是只考虑开始和结果,不计较中间过程,这保证了其在炸药岩石匹配模型研究中的普适性。而XGBoost算法结合多线程、数据压缩、分片的方法,具有在数据量大的情况下算法效率较高的优点,适用于数据量较大的现场数据训练学习。鉴于此,依托贵州某矿开展现场试验,采用XGBoost算法建立炸药与岩石匹配系统,通过成功实例对网络进行训练,并将训练过的神经网络应用于实际工程。结果表明:采用这种方法所建立的匹配系统选用的炸药与目前使用的工业炸药性能相近,误差在±10%以内,具有较高的可信度,进一步验证了基于XGBoost算法的炸药岩石匹配系统合理性。

基于PSO-XGBoost机器学习模型的中老年人PCNL术后结石残留预测研究

目的:基于粒子群优化算法(PSO)的XGBoost模型(PSO-XGBoost)预测中老年患者经皮肾镜碎石术(PCNL)后的泌尿系统结石残留情况。方法:选取2014年1月至2018年12月在某三级甲等医院接受PCNL治疗的596例中老年肾结石患者为研究对象。将数据集按7:3的比例随机分为训练集和测试集,建立PSO-XGBoost模型,以准确度、精准度、召回率、F1值和ROC曲线下面积(AUC)等指标评估模型性能。结果:PSO-XGBoost模型预测PCNL术后泌尿系统结石残留的准确度、精准度、召回率、F1值和AUC均优于支持向量机、近邻算法、决策树和BP神经网络模型。结论:PSO-XGBoost模型可更快、更准确地预测中老年患者PCNL术后是否有泌尿系统结石残留,为制定术后个性化治疗、护理方案提供参考。

基于XGBoost的山核桃干腐病多分类预测模型研究

【目的】通过分析影响山核桃短期内干腐病发病程度的因素,对比不同机器学习算法,得到发病程度预测效果较好的模型,为科学、绿色防治工作提供思路。【方法】采用机器学习算法XGBoost、逻辑回归和BP神经网络作为构建预测模型的基础,以五折交叉验证方法验证模型。【结果】对山核桃干腐病发病程度的影响因素排名,由高到低分别是候平均温度、候平均湿度、病斑数目、候降水量;集成机器学习算法XGBoost构建的预测模型各评价指标都高于逻辑回归和BP神经网络;集成机器学习算法XGBoost在山核桃干腐病发病程度多分类预测问题上得到的效果优于传统机器学习算法。

基于XGBoost的储粮品质预测

研究了基于机器学习的粮食品质预测技术,创新性地采用机器学习中的XGBoost算法进行粮情检测,通过对粮仓中温度、湿度和化学物质含量进行特征向量分析,旨在帮助粮仓管理人员更好地了解储存粮食的状态,预测可能的变质和虫害情况,保证粮食质量和安全。针对算法检测的准确率,通过XGBoost和传统的机器学习分类算法支持向量机和逻辑回归算法对实验粮食数据进行预测并对比,结果表明,机器学习XGBoost、支持向量机、逻辑回归等算法在粮情检测上都可以快速且正确地做出预测,XGBoost算法的结果相对于支持向量机和逻辑回归,具有更高的准确率。XGBoost算法在提高粮食品质监测效率和准确性方面具有较大潜力。

基于遗传算法优化LightGBM-XGBoost模型的电力负荷预测

电力负荷短期预测在电网改造、保障电力系统经济运行上具有重要的研究意义。为了提高预测精度,基于误差倒数法,提出了基于遗传算法优化的LightGBM-XGBoost融合模型。基于华南某城市的电力负荷数据,融合模型在测试集上的MAPE值为1.0931%,R2值为0.9843,预测精度相较于单一模型而言得到了较明显的提升,说明了融合模型在电力负荷预测上的有效性。

基于XGBoost算法的免疫性甲状腺功能异常预测模型构建

目的 构建一种基于XGBoost算法的肿瘤患者免疫性甲状腺功能异常预测模型。方法 从江苏省中西医结合医院肿瘤专病库科研平台中,通过队列定义和特征提取等方法选取1200例使用抗肿瘤药物免疫检查点抑制剂的住院患者作为研究对象,使用XGBoost机器学习算法建模并训练得到预测模型,并用Shapley附加解释器(SHAP)可视化工具对模型预测效果进行评估分析。结果 该预测模型的受试者工作特征曲线下面积为0.87,其中肝炎病史、甲状腺球蛋白、BMI值是甲状腺功能异常的重要特征。结论 基于XGBoost机器学习算法构建免疫性甲状腺功能异常预测模型,并利用SHAP工具直观展示各指标的影响,有助于医生临床决策,并做好病情干预。

基于XGBoost-LSTM模型的多特征股票价格预测研究

为探寻股票价格规律,提出XGBoost与LSTM组合的股票价格预测模型,选取恒瑞医疗股票2000年10月18日上市至2022年9月1日所有交易日的交易数据为实证分析对象.首先,建立单特征与多特征LSTM模型分别对股票价格进行预测;其次,构建XGBoost模型以进一步实现预测并将预测结果作为新变量输入到多特征LSTM模型;然后,使用LSTM模型在新数据集上进行建模;最后,对比分析表明多特征LSTM模型预测效果优于单特征预测,XGBoost-LSTM预测模型效果优于多特征LSTM预测,说明本文提出的方法能进一步提升预测效果,对投资者有一定参考价值.

基于XGBoost算法的固定翼无人机空对地无线传播模型

传统的3GPP(3rd Generation Partnership Project)无线传播模型适用于300m高度以下的场景,并不适用于中高空固定翼无人机高动态应急下的作业场景。针对中高空固定翼无人机应急场景,创新性地考虑了动态3D天线增益值进行数据仿真,构建了适用于高空动态场景下的XGBoost(EXtreme Gradient Boosting)算法的无线智能传播模型。并将其与传统的3GPP模型、空对地A2G信道模型进行了对比测试实验,结果表明XGBoost算法模型在预测准确度上最优,模型预测误差RMSE(Root Mean Square Error)小于4.99 dB,误差均值小于0.8dB,对空对地信道传播路径损耗进行准确预测具有重要意义。

XGBoost算法应用于车辆保险购买预测的研究

车辆保险的购买意向预测是一个二分类预测问题,可分为有意向购买和无意向购买,使用XGBoost算法和Logistic Regression算法对车辆保险数据集进行模型构建和分类预测。该研究首先对原始数据集进行数据预处理,然后使用网格搜索法,采取五折交叉验证来对模型进行超参数优化并构建预测模型,最后选择ROC曲线和AUC值作为预测模型的评价指标对模型的泛化能力进行性能评估,结果表明XGBoost算法具有最好的预测效果。

基于蜣螂优化-集成加权融合的NO_(x)浓度动态预测

针对SCR入口NO_(x)浓度单一预测模型无法满足在不同工况下保持预测精度的问题,提出了一种基于蜣螂优化(dung beetle optimizer,DBO)集成模型加权融合的预测SCR入口NO_(x)浓度的动态模型。首先使用CatBoost与LightGBM的混合模型在筛选辅助变量的同时,求取辅助变量的迟延时间和阶次信息,并根据以上信息确定预测模型的输入变量;然后建立由LightGBM,XGBoost与CatBoost组成的集成模型,并使用蜣螂优化算法对预测结果进行加权融合;最后将DBO-集成加权融合动态预测模型与3种单模型和蜣螂算法优化2种模型加权融合的预测模型进行对比。结果证明DBO综合加权融合动态预测模型的评价指标优于其他模型,具有更高的预测精度、实时性和适应性,能够更好地满足不同工况下的NO_(x)浓度预测要求。

基于贝叶斯最优化的Xgboost算法的改进及应用

在使用Xgboost框架时,经常涉及各种参数的调整,并且参数组合的选取对模型的分类性能影响较大.传统的参数寻优方法,通常先导出一个惩罚函数,然后运用经验或者穷举法调整参数值来最大化或最小化这个惩罚函数,但是经常会遇到某个模型没有一个显式的表达式情况.这类模型的参数寻优就非常麻烦,同时又会给算法带来一定的不确定性和随机性.本文基于高斯法(GP)的贝叶斯最优化算法对Xgboost框架进行参数寻优,提出了一种新的算法GP_Xgboost,并通过多组数值进行实验.结果表明本文改进的算法分类效果要优于人工调优和穷举法,从而证明了该算法的可行性和有效性.

基于遥感的北京市森林地上碳储量监测

城市是CO_(2)排放的主要区域,推动城市碳减排与低碳发展对于早日实现“双碳”战略具有重要帮助。城市森林碳储量是反映城市CO_(2)吸收能力和评估生态系统质量的重要指标。以北京市森林为对象,以Landsat8OLI遥感影像、数字高程和森林资源二类调查数据为数据源,采用逐步回归分析、递归消除算法和Boruta算法进行特征选择,然后采用多元线性回归模型、BP神经网络、随机森林算法以及极端梯度提升算法模型(XGBoost)进行北京市森林AGC模型构建,最后选择效果最好的模型对北京市整体森林AGC进行反演估测。结果表明:1)基于Boruta算法选择特征集进行4种AGC模型构建时,其R 2是最好的,优于SRA与RFE选择方法;2)XGBoost算法构建的森林AGC模型的精度最高,其根据Boruta算法选择特征集得到的训练集、测试集R^(2)、RMSE、RRMSE分别为0.95、0.69、3.16、5.18、17.70%、21.49%;3)2014年北京市总体森林AGC为8931820.34 t,与实际值差距较小;在空间分布上均呈西北部高、中部及东南部低的现象;密云区、怀柔区及延庆区森林AGC较多,而朝阳区、丰台区及石景山区较少。总体上说,基于Boruta的特征选择与现代集成的XGBoost森林AGC模型有着较好的估测效果。该研究为超大城市森林AGC精准监测提供了技术支撑。