基于重要性评估的铁路货车终到站停留时间压缩策略研究

铁路货运车辆在终到站的停留时间,既能体现车辆的利用效率,又能通过与货物绑定,体现车站内装卸、调度等总体的作业效率。由此,有必要通过合理的方式压缩铁路货运车辆在终到站的停留时间,进而加深对车站作业效率的认识,提升车站作业效率。现有压缩策略多通过优化组织结构、增加作业考核等方式进行,缺乏可操作性和针对性。研究在分析车辆在终到站停留时间构成与影响因素基础上,整理了车辆在终到站停留时间压缩主要方法,进而论证了车辆在终到站停留时间压缩策略中引入重要性评估的必要性。在此基础上,研究了车辆在终到站停留时间影响因素重要性评估方法,包括相关系数评估和平均下降精度评估,进而得出重要度评估向量。通过选择实际车站数据,计算出该站车辆在终到站停留时间重要度评估向量。最终,基于重要度评估向量,提出了该站车辆在终到站停留时间压缩策略,进一步验证了通过重要性评估优化车辆在终到站停留时间压缩策略的有效性,为提升车站作业效率、优化物流服务能力提供了一种可行方法。

基于随机森林算法的水土流失影响因子重要性分析

水土流失是诸多因素综合所致,确定水土流失因子的重要性具有重要意义。本文以福建省为例,利用土壤侵蚀强度等级数据及导致水土流失的年侵蚀降雨量、土壤类型、坡度、坡长、植被覆盖度及土地利用类型等数据,引入随机森林算法,提出通过平均精确率减少值(MDA)和平均不纯度减少值(MDG)归一化相加的方法确定要素重要性,并与MDA和MDG排序赋值相加的方法进行对比。结果表明:随机森林算法适用于水土流失影响因子重要性分析;归一化相加法对因子重要性的表征效果较好,优于排序赋值相加法,不仅能判别因子的相对重要性,还可定量表达因子间差异的显著性;在所分析的六个要素中,植被覆盖度最为重要,地形特征次之,而土壤类型对是否发生水土流失重要性影响较弱,与已有的实验和研究结果吻合,结果合理。在判断无流失与其它流失等级间关系时,植被覆盖度的重要性具有很大的优势,量级上是第二位的2倍以上。

一种供水管网泄漏区域定位的机器学习方法

当采用模式识别方法识别供水管网的泄漏时,如果将每一个节点作为分类器的一个标签,由于供水管网节点泄漏特征的相似性,模型训练的准确率会比较低,因此可以通过聚类泄漏特征相似的节点形成区域,以每个区域作为分类器的标签从而提高模型训练的准确率。提出了一种基于随机森林分类器的二分迭代法识别泄漏区域,根据上一级分类器识别的泄漏区域的节点泄漏变化矩阵,采用k-means聚类将上一级迭代识别的泄漏区域聚类为两类(包含泄漏节点的区域和不包含泄漏节点的区域),从而识别包含泄漏节点的区域。随着候选泄漏区域的缩小,对识别泄漏区域有帮助的测点数量也逐渐减少,因此采用平均准确率减少(MDA)进行分类器特征(所需测点)的选择,在保证识别准确率不变的情况下减少分类器训练时所需的特征。与直接进行区域分块的识别方法相比,二分迭代法降低了选择区域分块数目时的盲目性,对于泄漏区域的识别更有目的性,提高了泄漏区域识别的准确率和效率。