基于CEEMDAN-LightGBM模型的洪水预测研究

为了应对暴雨可能引发的洪涝灾害风险,基于黄河利津水文站监测的水文等数据,以LightGBM为基准模型,运用经自适应噪声完备集合经验模态分解(CEEMDAN)算法优化后的CEEMDAN-LightGBM模型对水位进行预测,并将其与长短期记忆网络(LSTM)模型、LightGBM模型的预测效果进行对比。以2个气候条件不同的黄河水文站(利津、花园口)的水文数据为原始数据集输入CEEMDAN-LightGBM模型,验证模型的适应性和稳定性。结果表明:CEEMDAN-LightGBM模型在水位预测方面表现出优越的性能,相较于LSTM、LightGBM模型,该模型的E_(MA)分别减小了46.08%、9.95%,E_(RMS)分别减小了33.01%、43.01%,E_(MAP)分别减小了94.99%、3.82%,R^(2)分别增大了30.48%、7.58%。CEEMDAN-LightGBM模型还能预测流量这一重要水文特征,为模型预测洪水发生提供更有力的判断依据。对比CEEMDAN-LightGBM模型预测花园口水文站与利津水文站的水位和流量效果,除预测两站水位的E_(MAP)值相差23.64%外,E_(MA)值、E_(MAP)和E_(RMS)值相差均不超过10%,R^(2)相差不超过2%。

基于CNN-GRU-LightGBM模型的单井产量预测方法

单井日产量趋势预测研究在油田生产中具有重要意义。由于油井生产工况复杂,难以准确预测日产量,建立了基于多变量时序数据的产量模型。基于卷积门控循环单元(convolutional neural network-gate recurrent unit,CNN-GRU)提取深层特征进行时序预测,基于梯度提升框架的集成模型(light gradient boosting machine,LightGBM)从回归预测角度进行预测,两者结果相互融合,进一步提高产量预测精度。同时,提出了一种可以实现多变量时序预测或回归预测模型在未知输入特征情况下准确预测产量的方法—超前参数递归预测策略。采用该方法对影响产量的重要特征进行超前预测,并将预测到的重要特征应用于预测产量的仿真测试中。仿真结果表明:本文模型与超前参数递归策略配合最好,在测试集上的预测准确度最高。相比单变量时序预测和回归预测模型,可显著提高预测精度。

基于LR+LightGBM模型的大学生心理健康预警

针对当下大学生心理健康预警方法存在计算复杂和准确率低的缺点,提出一种基于逻辑回归+轻度梯度提升树(LR+LightGBM)模型的大学生心理健康预警方法。模型选择中国常规模式评价指南和症状自评量表SCL-90中的90个项目作为输入数据,将数据先通过LR模型进行处理,输出结果作为一个复合评价指标,并同其他数据一起输入到LightGBM模型进行预测。融合模型结果与LR、决策树、随机森林、LightGBM对比发现,基于LR+LightGBM模型的心理健康预测准确率、召回率、AUC(AREA UNDER CURVE)值分别为0.917、0.903、0.97,优于其他对比模型,能够有效提升大学生心理健康预警的准确率,为高校大学生心理辅导提供科学决策依据。

基于CEEMDAN-VMD-TCN-lightGBM模型的水质预测研究

针对目前水质预测模型中因为数据本身的复杂性、在信号处理过程中存在的噪声干扰以及分解深度不够导致单一分解难以全面捕捉信号非线性特征的问题,提出了一种基于二次分解的水质预测模型。该模型采用完全自适应噪声集合经验模态分解(CEEMDAN)对原始数据进行分解,再利用变分模态分解(VMD)对熵值最高的模态分量进行二次分解,最终将处理后的时间序列输入到TCN-lightGBM多特征预测模型中。同时,采用麻雀算法(SSA)对预测模型进行优化。以山东省玉符河水质为例,本模型的均方根误差(RMSE)是0.1053,平均绝对误差(MAE)是0.0815,决定系数(R2)是0.9471,与GRU、LSTM、LightGBM、TCN等当下较为流行的模型的预测指标进行比较。结果显示,在R2上本模型提升了53.04%、70.41%、66.07%、65.20%等,在RMSE上减少了62.76%、65.50%、64.93%、64.80%等,在MAE上降低了62.76%、66.24%、63.80%、65.24%等。由此可知,基于CEEMDAN-VMD-TCN-lightGBM的模型具有更好的预测性能、泛化能力和捕捉信号非线性特征的能力。

基于LSTM-LightGBM模型的烟草存销比层次化预测方法

基于LSTM和LightGBM算法,结合零售商的地理位置和档位信息,构建了一个层次化模型,用于准确预测烟草产品的存销比。该模型首先利用LSTM网络对不同地区和档位的整体存销比进行预测。随后,将得到的整体存销比作为LightGBM的辅助输入,用于预测个体零售商销售的每一类卷烟的存销比。本模型逐步融合数据的宏观和微观特征,对某地烟草实际销售数据的实验结果表明,LSTM-LightGBM模型具有较好的预测精度。

基于LightGBM模型的中国成人吸烟行为研究

采用2018年世界卫生组织在中国开展的成人烟草调查数据,对成人吸烟行为影响因素进行探究。首先对原始数据做数据清洗,包括剔除无关变量、组合新变量等步骤。其次结合卡方检验、方差分析以及最大互信息数对处理后的数据集进行特征选择。再次基于XGBoost、LightGBM算法进行建模,对影响成人吸烟行为的因素进行排序和分析。最后基于表现较好的LightGBM模型进行变量组合建模,进一步挖掘吸烟者特征。经建模分析,识别得出成人性别、烟草环境、增税态度、低焦油烟认知、学历、年龄重要性由强至弱对吸烟行为产生影响。

基于LightGBM模型的甘肃省临夏县滑坡易发性评价

甘肃省临夏县地质环境复杂,滑坡灾害发育,对当地居民生产生活造成严重威胁,亦对工程建设的开展造成一定阻碍,因此,选取高效准确的机器学习方法对临夏县进行滑坡易发性评价具有重大意义。首先依据遥感影像和野外勘察资料,选取了1718处滑坡样本,遴选了滑坡灾变的16种影响因子并建立滑坡影响因子评价体系;再结合预测精度和运行时间等指标对比了轻量级梯度提升机(LightGBM)模型与主流机器学习模型的性能;最后利用混淆矩阵分级方法进行了基于LightGBM模型的临夏县滑坡易发性评价。结果表明:临夏县重要滑坡影响因子为地表植被和地形地貌因子,其中土地覆盖为最主要影响因子;LightGBM模型预测精度高达0.931,且运行速度仅为11.7 s,既能保证高精度又极大提升了运行效率;在抽稀后的数据集上,LightGBM模型的预测表现、校准程度和分级结果均优于随机森林(RF)模型;混淆矩阵分级法的较高和高易发区内滑坡分布更为集中,在14.94%的区域内分布着86.86%的滑坡灾害点。滑坡易发性评价结果较好地反映了研究区内滑坡分布发育情况,可为当地工程建设及防灾减灾工作提供一定指导。

基于BS_Bagging-cLightGBM模型的电动汽车故障预测方法

针对因电动汽车故障数据样本类别不平衡引起的机器模型分类性能欠佳、故障查全率低的问题,本文提出一种以LightGBM为基学习器改进的Bagging集成电动汽车故障预测模型:在Bagging集成学习中使用Borderline_SMOTE方法对训练集重新采样,改善训练子集的数据不平衡程度,避免小类样本信息缺失;将权重系数和正则化项嵌入LightGBM基学习器的损失函数中,提高训练中小类样本的错分类代价。实验结果表明,该模型可有效提高故障查全率、宏平均和AUC值,其中AUC值达到0.898 4,故障样本的查全率为0.808 3,在电动汽车不平衡数据集上的故障分类性能显著优于传统单一模型和其他对比算法。

基于KMeans和LightGBM模型的大学生公益人群画像分析

大学生公益是国家公益事业的重要组成部分。高校如何设计公益活动以吸纳更多大学生加入公益队伍已成为一个严峻的问题。文章通过调查问卷获得的数据沿着如下路线来构建大学生公益人群画像体系:首先引入KMeans聚类模型对大学生公益人群进行分类,然后利用t-SNE降维算法可视化分类效果,最后应用LightGBM模型提取特征的重要性,以将某类和其他类区别开来,凸显本类的特征,通过描述各类的特征对人群画像。得出结论:大学生公益人群划可分为三类,根据各类特征可画像为观望型人群、积极型人群及消极型人群。

基于XGBoost和LightGBM模型的房屋租赁价格研究

坚持“房住不炒”原则,建立“租购并举”的住房制度,是保持房地产市场平稳健康发展的重要举措。文章利用LightGBM模型和XGBoost模型对月租金进行预测,结果显示LightGBM模型的建模效果最好,并且预测后系统会自动计算得分,可靠性更高。同时发现影响住房月租金的关键因素主要包括房屋面积、小区所在商圈位置、房屋距离地铁的距离、房屋所在建筑的总楼层数和小区房屋出租数量等。

基于SVR-LightGBM模型的高速公路拥堵预测方法研究

由于传统的高速公路拥堵预测方法大多构建的是单一的预测模型,模型的预测精度不高,并且大多以交通流的时间特征为基础,缺少对交通流空间特征的深度挖掘,往往导致预测结果不理想。本文提出了一种基于SVR与LightGBM组合的高速公路拥堵预测模型,由于高速公路上中下游路段具有时空相关性,因此首先运用SVR模型实现上下游路段对中游目标路段流量、速度和占有率的预测,进而将预测值与目标路段真实的拥堵阈值输入到LightGBM模型进行训练来预测拥堵。为验证组合模型的有效性,选用平均绝对误差(MAE)、均方根误差(RMSE)和均等系数(EC)三项评价指标对不同种预测模型进行对比结果分析。实验表明所提出的SVR-LightGBM拥堵预测模型能显著减少预测误差,预测精度更高,是一种高效快捷的拥堵预测模型。

基于LightGBM模型的离散制造业产品物料需求智能预测

离散制造业产品的物料需求受多种因素影响,传统物料需求预测算法对数据要求高,企业需要进行大量运算,且预测提前期短、精准度低,不能及时满足企业的生产计划。为提高制造业物料需求预测精度,本研究采用美的集团离散型物料需求数据进行建模分析。首先进行数据预处理及特征工程,利用统计学中的统计量构建出滑动和滞后特征,然后构建并拟合LightGBM模型对物料需求量进行预测,并与传统时间序列SARIMA模型进行对比,引入平均绝对误差MAE评估模型的预测精准度,针对模型时间复杂度和预测精准度进行对比分析。结果表明,以月为时间粒度的情况下,LightGBM机器学习模型对离散制造业物料需求预测的效率和准确率更高,更有利于提高离散制造企业的生产效率。

基于LightGBM模型的糖尿病预测模型的研究

目的设计及验证基于轻量级梯度提升术(Light gradient boosting machine,LightGBM)模型的糖尿病预测模型。方法采用LightGBM糖尿病预测模型作为基础模型。提取石狮市某社区卫生服务中心2016年1月—2021年12月的数据库进行分析,将数据集分为训练集和测试集。基础模型中使用数据库中的训练集通过交叉验证法进行训练,超参数调整。训练出的模型在测试集上进行模型验证。验证后使用K最近邻算法(K-nearest-neighbour,KNN)、合成少数类过采样技术(synthetic minority oversampling technique,SMOTE)和通过保留具有代表性的多数类别样本来减少样本数量(NearMiss)技术下采样等方法进行数据校正。最后,本研究基于机器学习算法和群体数据构建了一种高效的糖尿病预测模型。结果基于LightGBM模型的糖尿病预测模型优于传统Logistic模型,综合准确率为97%。结论基于LightGBM模型的糖尿病预测模型临床符合度高,可为糖尿病早期诊疗提供临床决策参考。

基于bagging-GWO-LightGBM模型的城市房地产风险测度与预警研究

房地产风险的测度和预警是防范和化解重大金融风险的重要手段,是高质量发展的基础.从房地产市场的需求和供给视角分别进行分析,构建了房地产市场风险指标体系,并采用主成分分析方法和机器学习模型对房地产风险进行测度和预警.并且进行了实证研究,结果表明:(1)综合房地产风险指数,较好地反映了郑州市房地产风险的周期性波动.(2)与其他模型相比,基于bagging-GWO-LightGBM的预警模型具有较好的泛化能力以及更高的预警精度,该预测方法也为郑州市房地产风险预警提供了有价值的参考.

基于LightGBM模型的产品订单需求量预测

产品订单需求量预测是管理企业供应链的关键环节。准确预测客户对产品的需求量是很有必要的。为了解决不同产品的需求量问题,本文充分利用厂商数据,采用基于LightGBM的集成算法建立产品订单量预测模型。用网格探索进行参数调优,用3折目标编码,最终测试集上的MAPE为0.3541%;拟合效果良好且泛化能力强。最后用LightGBM模型预测后三个月的各个地区、各个品类的月度订单需求量。有助于企业资源有效配置,提高企业的收益效率,具有较大的现实意义和参考价值。

基于改进LightGBM模型的汽车故障预测方法研究

针对机器学习技术在汽车行业的应用中存在的汽车故障数据规模大和类别不平衡引起的模型训练速度慢、故障查全率低的问题,对LightGBM模型进行两方面的改进:模型训练时,设置类别权重和L1正则化项修正模型的损失函数,并通过贝叶斯优化获得修正项系数的取值;模型预测时,使用阈值移动法降低模型的分类阈值。在斯堪尼亚货车故障数据集上进行验证。结果表明,本文中所提出的改进LightGBM模型训练速度快,故障查全率高,具备工程应用价值。

GA-LightGBM模型及其在车辆保险需求预测中应用

为了提高LightGBM模型在车辆保险需求预测的准确率,引入遗传算法来优化LightGBM模型的参数,提出了一个GA-LightGBM模型。该模型主要分为3步:(1)对数据集进行预处理,包括特征描述性分析、去除无效值、分类特征数值化以及数值特征标准化;(2)使用遗传算法快速随机的全局搜索能力优化LightGBM模型参数;(3)根据最优参数组合训练LightGBM模型,并将最优模型应用于车辆保险需求预测中。实验结果表明在车辆保险需求预测方面,采用GA-LightGBM模型在均方根误差、召回率、F1值和AUC值相较于网格搜索法以及贝叶斯搜索法均有提升,模型性能均优于随机森林、GBDT、Bagging和Adaboost,可为保险公司商业决策提供参考。

基于LightGBM模型的鱼类异常行为检测

针对传统理化方法分析水质污染情况耗时耗力等问题,提出一种基于鱼类异常行为识别的水质监测方法。以红色斑马鱼(red zebrafish)为研究对象,利用计算机视觉技术,首先对斑马鱼图像进行预处理,利用灰度共生矩阵获取鱼群纹理特征;然后通过Lucas-Kanade光流法计算鱼群的运动信息熵,并对获取的纹理特征和信息熵进行归一化处理;最后采用轻量化梯度促进机(LightGBM)对鱼类异常行为进行检测,与深度神经网络(DNN)和支持向量机(SVM)检测效果对比。结果显示:利用LightGBM对鱼类异常行为进行检测,准确率为98.5%,与其他模型对比分别提高0.5%和25.3%。研究表明,基于LightGBM模型的鱼类异常行为检测方法相比其他模型能更准确地识别鱼类非正常游动。该模型适用于自动水质监测。

APSO_LightGBM模型在高血压风险预测中的应用

APSO_LightGBM高血压风险预测模型将LightGBM算法与自适应粒子群优化算法相结合,弥补了LightGBM自身收敛速度慢的缺陷。实验表明,基于该模型的预测精度高于线性回归、决策树、SVM和LightGBM模型,参数寻优时间也远小于网格搜索与随机搜索,说明该模型可以更准确、高效地预测高血压风险,实现对疾病的早期筛查与干预。

基于改进交叉验证LightGBM模型的卷烟销售数据预测

我国烟草行业作为传统国营垄断行业,烟草产量、销量均长期居于世界首位,为国家财政税收做出巨大贡献。“十四五”以来,国务院印发《十四五数字经济发展规划》,引导传统产业结构数字化转型,推动行业高质量发展。烟草行业数字应用场景丰富,具备数字经济高质量发展的基础条件,本文通过分析滁州市2019-2022月度卷烟销售明细数据,通过地域、烟草类别,分别对内部销售数据进行分层,与外部宏观经济数据如GDP、CPI等相结合,基于LightGBM机器学习模型预测,聚合分层结果作为滁州市烟草销售数据预测结果。模型在训练过程中,改进交叉验证方法进行模型优化,对卷烟销售数据两种数据分层预测结果,进行交叉验证,有效降低预测误差。