基于CNN-GRU-ISSA-XGBoost的短期光伏功率预测

针对光伏功率随机性及波动性大,单一预测模型往往难以准确分析历史数据波动规律,从而导致预测精度不高的问题,提出一种基于卷积神经网络-门控循环单元(CNN-GRU)和改进麻雀搜索算法(ISSA)优化的极限梯度提升(XGBoost)模型的短期光伏功率预测组合模型.首先去除历史数据中的异常值并对其进行归一化处理,利用主成分分析法(PCA)进行特征选取,以便更好地识别影响光伏功率的关键因素.然后采用CNN网络提取数据的空间特征,再经过GRU网络提取时间特征,针对XGBoost模型手动配置参数困难、随机性大的问题,利用ISSA对模型超参数寻优.最后对两种方法预测的结果用误差倒数法减小误差的同时对权重进行更新,得到新的预测值,从而完成对光伏功率的预测.实验结果表明,所提出的CNN-GRU-ISSA-XGBoost组合模型具有更强的适应性和更高的精度.

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。

基于贝叶斯优化XGBoost的石灰窑气预测

石灰窑是碳酸钙产业的关键生产设备,窑气中的CO_(2)是生产碳酸钙的原料,CO_(2)浓度直接影响碳酸钙产量,然而石灰窑气浓度依靠产品产出后采样化验得到,存在严重的滞后性,无法作为石灰窑在线工艺参数调整的依据。因此提出一种基于贝叶斯优化的eXtreme Gradient Boosting石灰窑气浓度预测模型BO-XGBoost,根据历史数据预测1 h后的窑气浓度,为生产工艺参数的调整提供依据。该方法首先对石灰窑传感器数据集中的缺失值、异常值进行剔除、插补,然后统一窑气浓度检测历史数据的时间尺度,构成石灰窑气监测数据集,在此基础上提出针对石灰窑气的BO-XGBoost模型。模型经训练后,采用实际生产数据进行测试,并与Light Gradient Boosting Machine(Light-GBM)模型、Category Boosting(Catboost)模型预测结果进行比较,结果表明,所提模型可以实现高维数据集的超参数快速优化,且预测模型有较好的精度,均方根误差(RMSE)达到0.70,平均绝对百分比误差(MAPE)达到2.03%。

脑梗死后继发癫痫的危险因素分析及预测模型建立

目的 分析84例脑梗死后继发癫痫的危险因素,并建立XGBoost模型,分析该模型对继发癫痫的预测价值。方法 选取2019年6月至2022年8月郑州大学第一附属医院收治的84例脑梗死后继发癫痫患者纳入研究组,同时选取同期84例脑梗死后未继发癫痫患者纳入对照组。统计研究组癫痫发作情况。通过单因素、多因素logistic回归分析脑梗死后继发癫痫的影响因素。建立XGBoost模型,并采用受试者工作特征曲线、校准曲线分别评价该模型对继发癫痫的预测效果。结果 研究组中早发性癫痫51例、迟发性癫痫33例,单次发作56例、反复发作28例;较大梗死面积、颈动脉循环系统、美国国立卫生研究院卒中量表(NIHSS)评分增加、机械取栓、出血转化及血清同型半胱氨酸(Hcy)、神经元特异性烯醇化酶(NSE)、血清可溶性白细胞介素-2受体(sIL-2R)、脂蛋白相关磷脂酶A2(Lp-PLA2)水平升高是继发癫痫的危险因素(P<0.05);XGBoost模型依据不同危险因素进行重要度评分排序,依次分别为梗死面积、Lp-PLA2水平、NIHSS评分、sIL-2R水平、出血转化、NSE水平、机械取栓、Hcy水平、受累动脉系统;XGBoost模型预测脑梗死后继发癫痫的曲线下面积为0.826,且Hosmer-Lemeshow拟合优度检验(χ^(2)=7.015,P=0.541)。结论 梗死面积增大、颈动脉循环系统、NIHSS评分增加、机械取栓、出血转化及血清Hcy、NSE、sIL-2R、Lp-PLA2水平升高是脑梗死后继发癫痫的危险因素,建立XGBoost模型有助于筛选高危人群,该模型对继发癫痫具有一定预测价值,有助于指导临床防治脑梗死后继发癫痫。

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。

多因素协同的大型活动场馆周边路段速度预测

大型活动会引起举办场馆周边区域路网出现交通流短时骤增与消散,导致周边区域路网交通运行呈现偶发性与不确定性波动,而现有预测方法通常难以捕捉特殊事件下交通流受多维因素复杂影响及其演变机理。为充分挖掘路段速度的时间序列和影响因素特征,揭示速度预测中不同影响特征间的耦合作用机理,提出了一种结合可解释机器学习与长短时记忆网络的速度预测模型(MC-LSTM)。结合大型活动的特点构建影响因素集,采用XGBoost算法评价活动规模、性质等因素特征对场馆周边路段速度的影响相对重要度,量化多元因素对场馆周边路网运行状态的协同效用,融合LSTM网络,考虑交通状态的时间依赖关系,捕获不同历史时期的时间相关性,实现对活动期间场馆周边路段速度的精确预测。以北京市连续6个月的大型活动期间周边路网为例进行模型验证,结果表明:所构建的MC-LSTM模型的预测精度可达94.5%以上,优于考虑多因素协同的XGBoost模型、只考虑单因素特征的LSTM模型及未考虑外部特征的LSTM模型,证明该研究所提出的模型有效性与稳定性更优,可为大型活动场馆周边路网交通组织优化和制定针对性交通管控与保障措施提供定量化的决策依据。

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。

结合SVM与XGBoost的链式多路径覆盖测试用例生成

机器学习方法可很好地与软件测试相结合,增强测试效果,但少有学者将其运用于测试数据生成方面.为进一步提高测试数据生成效率,提出一种结合SVM(support vector machine)和XGBoost(extreme gradient boosting)的链式模型,并基于此模型借助遗传算法实现多路径测试数据生成.首先,利用一定样本训练若干个用于预测路径节点状态的子模型(SVM和XGBoost),通过子模型的预测精度值筛选最优子模型,并根据路径节点顺序将其依次链接,形成一个链式模型C-SVMXGBoost(chained SVM and XGBoost).在利用遗传算法生成测试用例时,使用训练好的链式模型代替插桩法获取测试数据覆盖路径(预测路径),寻找预测路径与目标路径相似的路径集,对存在相似路径集的预测路径进行插桩验证,获取精确路径,计算适应度值.在交叉变异过程中引入样本集中路径层级深度较大的优秀测试用例进行重用,生成覆盖目标路径的测试数据.最后,保留进化生成中产生的适应度较高的个体,更新链式模型C-SVMXGBoost,进一步提高测试效率.实验表明,C-SVMXGBoost较其他各对比链式模型更适合解决路径预测问题,可提高测试效率.并且通过与已有经典方法相比,所提方法在覆盖率上提高可达15%,平均进化代数也有所降低,在较大规模程序上其降低百分比可达65%.

CLDAS降水产品的适用性分析及机器学习订正应用

为获得中国气象局陆面数据同化系统(CLDAS)多源降水融合实况分析产品在甘肃省的精细化评估结论并提高该产品的精度,采用甘肃省2215个地面站的降水数据作为检验源,评估CLDAS快速融合和实时融合降水产品的适用性,并基于评估结论采用机器学习方法及优化策略,订正CLDAS降水产品。结果表明:CLDAS降水产品能较好地反映甘肃省降水时空分布,日值的精度整体不如小时值;XGBoost算法较其他模型有显著优势,且在降水量大时订正效果更显著;通过提升训练数据集质量、特征工程和精细调参优化后的XGBoost模型使3级以上降水量的均方根误差减少近50%,1~2级的误判降水得到明显改善,该模型和算法能推广应用于具有相同气候特征的领域。

考虑时序特征的深圳港集装箱吞吐量组合方法预测

集装箱吞吐量预测对港口企业运营及决策具有重要的作用。传统集装箱吞吐量预测方法存在预测精度不高的缺点。为解决这一问题,提出了一种考虑季节性和不确定性的SARIMA-XGBoost组合预测方法。针对集装箱吞吐量的季节性特征,选取季节性自回归移动平均模型(seasonal autoregressive integrated moving average model,SARIMA)捕捉周期性特征和线性特征;针对集装箱吞吐量中的不确定性因素,选取极致梯度提升树算法(extreme gradient boosting,XGBoost)自适应学习时间序列数据中的复杂模式和非线性特征。通过选取优化指标并计算分配权重的方式实现了预测模型中线性和非线性特征的有效融合,从而提升预测精度。通过对深圳港2013—2022年集装箱吞吐量月度数据进行实证研究和对比分析,结果表明SARIMA-XGBoost组合方法预测精度最高、稳定性好,验证了该组合方法在集装箱吞吐量预测中的有效性。

基于Prophet-XGBoost组合模型的极端温度事件下负荷预测

气候变化对城市的影响日益加剧,频发的极端温度事件导致城市电力系统供需不平衡问题凸显,精确的需求侧电力负荷预测成为提升电力系统适应性从而支持城市功能稳定性的关键。本文开发了一种适用于极端温度事件下负荷预测的组合模型,结合时间序列模型Prophet和机器学习模型XGBoost,有效表征极端温度影响下的电力负荷波动趋势。实验结果表明,相比传统单一模型,组合模型显著提高了极端温度事件下的电力负荷预测精度,在增强城市电力系统对气候变化适应性方面具有较强的有效性,从而为电力调度等电力系统应急管理工作提供了更可靠的支持。

基于XGBOOST-SHAP的地铁建成环境与站点出行距离的非线性关系研究

相较于传统地铁客流量特征分析,地铁站点平均出行距离的研究可以更加精细化了解地铁网络客流流动性特征。为探究多重建成环境与站点平均出行距离之间的复杂关系,以西安市地铁系统为研究对象,从土地利用、兴趣点分布、周边交通建成环境、站点自身属性等方面构建11种建成环境指标,建立基于极端梯度提升的XGBOOST-SHAP归因分析架构的可解释性机器学习模型,以揭示两者之间的非线性关系。同时,将该模型拟合回归效果与梯度提升决策树(GBDT)及最小二乘回归(OLS)进行比较,以验证XGBOOST模型在拟合回归效果上的优势。结果表明:XGBOOST模型的R方、平均绝对误差(MAE)、均方误差(MSE)值分别为0.75、0.95、1.36,其拟合效果要优于GBDT与OLS模型。站点平均出行距离呈现出明显的环状分布的空间异质性。SHAP归因分析结果表明:距市中心距离特征贡献最大,路网密度、土地利用混合度、公交线路数量以及住宅数量对出行距离的贡献度也相对较高;POI香农熵指数、餐饮服务点对平均出行距离的正负反馈不明显;其余指标对平均出行距离的影响均呈现出正负反馈机制结合的趋势。研究结果对交通需求分析、线路容量优化、运营效果评估等提供了数据支撑,可有效提高地铁交通便利性,满足不同区域的出行需求并改善整个地铁系统的效率和可持续性。

基于XGBoost的震后物资动态需求预测

地震作为突发性自然灾害,常常造成严重人员伤亡,应急物资需求预测研究是灾后应急救援的重要组成部分,是物资统筹调配的前提,合理科学的物资需求预测可以提高救援效率。针对震后应急物资需求预测分为两步,首先,对震灾总伤亡人数进行预计,再利用经验函数对地震动态伤亡人数进行初始估计;旨在根据前期时间段内的伤亡人数,实现对后续伤亡人数有更为精准的预测,将以前序时间内的伤亡人数为依据,引入基于XGBoost的地震动态伤亡人数预测模型,以提高预测的准确性和可靠性。其次,利用物资需求量与动态伤亡人数的线性关系,根据具有提前期概念的动态需求估计模型计算出每日所需物资,实现动态需求预测。最后,运用所提方法对“汶川地震”伤亡人数、受伤人数、死亡人数进行动态预测,并估算了物资动态需求量,为灾区应急物资供应提供参考。

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。

智能遮阳百叶眩光预测模型控制变量有效性分析

基于预测模型的智能遮阳百叶调控系统具有降低建筑室内眩光性能的能力,其智能性取决于调控方法。而调控方法的设计取决于对室内采光性能相关影响信息的思考。不同影响信息是调控反馈的依据,也是智能预测模型建构的基础。本研究利用机器学习技术,对不同百叶控制变量展开眩光关联性分析,以及不同控制变量在眩光影响上的交互效应。利用XGBoost构建预测模型与展开特征选择,同时采用SHAP可解释方法进一步解析变量与眩光关联大小。研究结果表明,室内使用者所在区域与遮阳百叶之间距离、遮阳形变与眩光发生最为紧密,且互动性影响明显,同时太阳高度角也是遮阳百叶重要的响应信息。结论可为智能遮阳百叶调控系统设计和预测模型建构提供参考依据。

基于机理和XGBoost算法的LF精炼钢水成分预测模型

以我国某钢厂120 t LF精炼炉为研究对象,通过建立由冶炼机理模型和XGBoost模型相结合的混合模型,预测LF精炼过程中的钢水成分并进行实际应用。结果表明,模型预测终点碳、硅、锰、铝等元素均处于内控范围内,并平均减少了每炉钢取样工序0.8次,提高了生产效率。

基于机器学习的纳滤膜预测筛选模型构建与评估

纳滤净水技术是应对水资源危机和水质安全保障的核心技术之一。然而,纳滤膜性能长期受渗透性与选择性制约,亟需开发高性能纳滤膜。纳滤膜制备过程涉及水相单体质量分数、水相添加剂质量分数、油相单体质量分数、聚合时间等因素,传统的试误实验法需消耗大量的人力、物力与财力。依据纳滤膜制备参数,构建基于机器学习的纳滤膜预测筛选模型。结果表明,XGBoost机器学习模型可有效预测纳滤膜纯水通量与截留性能,对纯水通量和截留性能的R~2评价指标分别为0.84和0.90。采用SHAP值法对XGBoost机器学习模型中的输入参数进行量化分析,发现水相单体质量分数与基膜类型对纯水通量有最高的绝对平均SHAP值,分别为2.77与2.59,而面向纳滤膜截留性能的关键参数绝对平均SHAP值相对接近。单体子结构特征分析结果显示,亲水性子结构特征与支链型子结构特征有助于提升纳滤膜纯水通量,胺基则促进纳滤膜的截留性能。构建的纳滤膜预测筛选模型有助于关键参数的识别与优化,为纳滤膜的开发提供理论与技术指导。

一种基于改进的XGBoosting算法对婴幼儿奶粉中的脂肪含量的预测模型

婴儿奶粉成分配比中,脂肪有着重要地位。脂肪不仅是婴儿生长发育中的重要成分,同时也为婴儿的生长提供必需的能量,对于婴儿脑发育及神经髓鞘的形成具有重要意义。化学的婴儿奶粉脂肪含量检测如乙醚提取法,方法检测灵敏,但存在破坏样本和检测周期较长的缺点,因此寻求一种为婴儿奶粉成分的无损检测方法,高光谱成像技术提供了一种可能的途径。以内蒙古地区不同阶段的婴儿奶粉为研究对象,采用多元散射校正(MSC)、标准正态变换(SNV)、平滑滤波算法(Savitzky-Golay)、鲁斯特算法(Roust)等对高光谱数据进行预处理,再利用竞争性自适应重加权算法(CARS)算法从125个特征波长中筛除光谱数据中冗余的波长保留有效波长66个。对极值梯度提升算法(XGBoosting)算法进行了贝叶斯优化(BO),最终构建了基于BO-XGBoosting对婴儿奶粉脂肪含量的预测模型。结果显示,该模型预测效果优于传统的偏最小二乘回归(PLSR)和支持向量回归(SVR)模型,且优于集成算法中Bagging、GrdientBoosting算法。贝叶斯优化极值梯度提升算法BO-XGBoosting模型在测试集实验,得到的决定系数(R^(2))和均方根误差(RMSEP)分别为0.9537和0.5773,比XGBoosting算法的R^(2)和RMSEP分别提高2.91%和降低19.2%。该研究为奶粉中脂肪含量的预测提供了基于BO-XGboosting集成算法的快速无损检测的算法支持和理论依据。

Logistic回归模型和XGBoost模型对急性缺血性脑卒中患者发生吞咽障碍的预测价值

目的筛选危险因素构建急性缺血性脑卒中后吞咽障碍风险预测模型,对比XGBoost模型和Logistic回归模型的优劣性。方法选取2022年1-12月新疆医科大学第二附属医院神经内科573例急性缺血性脑卒中患者,按7∶3比例随机分为建模组(n=401)和验证组(n=172)。筛选发生吞咽障碍的危险因素,以单因素分析有统计学意义的变量分别建立Logistic回归模型和XGBoost模型。在验证组数据集上使用十折交叉验证法进行内部验证,采用校准曲线、受试者工作特征曲线(ROC曲线)和决策曲线评价两种模型的预测效能。结果多因素Logistic回归分析结果显示,年龄、NIHSS评分、GCS评分、BI指数、脑干病变、构音障碍、失语症、咽反射(正常)是急性缺血性脑卒中后吞咽障碍的影响因素。XGBoost模型特征重要性排序前8位分别为年龄、BI指数、NIHSS评分、咽反射、TOAST分型、白蛋白、文化程度、营养评分。对比两种模型结果显示,XGBoost模型的准确性、精确度、敏感度、F1分值分别为0.849、0.830、0.754、0.790,表现优于Logistic回归模型。Logistic回归、XGBoost模型预测吞咽障碍的AUC值分别是0.894、0.925,两者AUC值比较,差异无统计学意义(P>0.05)。模型的校准曲线和临床决策曲线均显示XGBoost模型准确度和临床实用价值优于Logistic回归模型。结论XGBoost模型和Logistic回归模型均能有效预测急性缺血性脑卒中后吞咽障碍风险,XGBoost模型表现更优,可为临床早期预防急性缺血性脑卒中吞咽障碍提供参考。

“双碳”目标下江西省农业碳排放量测算、影响因素分析与预测研究

农业是中国的立国之本,也是重要的碳排放源,发展低碳农业有助于中国总体碳减排目标的实现。选择农资投入、农田利用、畜禽养殖及秸秆焚烧4类碳源,利用IPCC碳排放模型对江西省2000—2020年的农业碳排放量予以测算,利用LMDI模型进行影响因素分解,并运用XGBoost模型预测2021—2050年碳排放量。结果表明:(1)2000—2020年江西省农业碳排放总量呈现先下降后上升再下降的波动趋势,总体呈上升趋势,但农业碳排放强度逐年降低。农业碳排放源中农田土壤利用贡献率最高,其次为畜禽养殖、农资投入和秸秆焚烧。2000—2020年江西省11个地级市农业碳排放量及排放强度均呈现明显的区域差异,且差异不断扩大,其中宜春市的农业碳排放量和平均碳排放强度均居于首位。(2)地区经济发展水平的提高和城镇化率的增加是导致农业碳排放量增加的主要因素,而农业生产效率、农业产业结构、地区产业结构和劳动力对碳减排的作用比较有限。(3)预测结果显示,2030年前江西省农业碳排放总量及11个地级市农业碳排放量已达到峰值。其中,新余市在2005年最早达到峰值,景德镇市和赣州市在2016年最晚达到峰值。2020年后,江西省碳排放量在经历一段时间攀升后呈现出震荡回落的趋势,其中宜春市和新余市震荡幅度较大,南昌市、抚州市及九江市碳排放量有上升趋势,其他地区均在一段时间后趋于较小振幅的回落趋势。