Stacking算法的优化与改进

集成学习算法的基本思想是通过组合多个学习器来共同完成对数据集的学习及预测。本文针对数据挖掘领域常见的分类问题,采用集成学习算法能够稳定提升分类器的性能,同时在现有阶段通用Stacking算法框架的基础上,提出一种以随机森林和梯度提升树等算法作为基层算法的多层Stacking集成学习算法。通过在6个UCI数据集上的实验,结果表明改进后的Stacking算法与其他几种集成算法在泛化性能的提升上有较好表现。     

基于频谱分解和注意力机制的雷达回波外推算法

针对雷达回波数据，首次提出使用频谱分解的方式预先提取多尺度回波信息作为深度学习网络的输入数据，以丰富输入数据的特征信息。模型主框架采用UNet神经网络，并且针对模型退化问题，加入了残差连接结构。基于以上设计，提出SpAt-ResUNet预测模型。试验结果表明，相比于传统雷达回波外推算法SPROG与深度学习网络ResUNet模型，该模型对于未来1 h的雷达回波预测长时间外推图像模糊的问题以及强回波留存能力分别得到改善和增强。     

基于径向基函数的在线学习算法在淘宝商铺营销预测中的应用

文章介绍了径向基函数(RBF)的原理、学习算法及其在电子商务领域中的应用。文章研究的增量RBF模型及窗口式在线RBF模型都具有较好的泛化性能,以淘宝网的"淘宝眼镜销量"作为实例,将增量式RBF学习算法以及在线式RBF学习算法模型应用到淘宝网的眼镜销量的预测中,实验结果证明,基于径向基函数的在线RBF学习算法模型可为淘宝网眼镜销量预测提供参考依据。     

基于K-means-LSTM模型的证券股价预测

鉴于股票数据具有非平稳、非线性等特征,传统的统计模型无法精准预测股票价格的未来趋势。针对这个问题,构建一种混合深度学习方法来提高股票预测性能。首先,通过将距离算法修改为DTW（动态时间归整）,令K-means聚类算法拓展为更适用于时间序列数据的K-means-DTW,聚类出价格趋势相似的证券;然后,通过聚类数据来训练LSTM（长短时记忆网络）模型,以实现对单支股票价格的预测。实验结果表明,混合模型K-means-LSTM表现出更好的预测性能,其预测精度和稳定性均优于单一LSTM模型。     

我国房地产行业信用风险预测的实证研究——基于Stacking融合模型

为促进房地产行业平稳发展，本文以上市房地产企业数据为背景，融合ADASYN技术及Stacking算法构建性能表现优异、数据集适应度强的预测模型，旨在测度相关信用风险，为我国防范化解房地产重大金融风险尽绵薄之力。创新之处在于：一是从宏观角度引入与房地产业息息相关的经济增长风险（GDP同比-预期GDP同比）、利率风险（10年期国债收益率）、通胀风险（0.3*PPI+0.7*CPI）等指标；二是基于融合模型思想构建预测模型，从实践层面为解决传统信用风险预测模型单一问题提供新思路。实证结果表明：1、Stacking-BPNN均超越单一模型取得性能指标最优结果 ；2、结果依然存在较高风险值的原因在于房地产相关人口及购买力存在动力不足现象与企业自身“亚健康”现象，风险企业主要集中于财务风险型房企、战略错位型房企以及缺乏竞争力型房企。     

基于深度学习对茅台机场降水量预测的研究

强降水等恶劣天气对于民航的正常运行有着极大的危害，降水量的准确预测有助于民航等企业安全稳定运行。通过对机场跑道自动气象观测系统（AWOS）收集的降水时序数据进行预处理，为深度学习提供训练和测试的样本集，然后分别构建长短期记忆模型（LSTM）和时序卷积网络（TCN）模型，实现对未来1～3 h降水量的预测，并对两个模型的预测精度进行比较分析。结果表明,TCN模型的预测效果优于LSTM模型。其中，对未来1～3 h降水量的预测中，TCN模型的R2分别为0.96、0.91和0.86。     

基于自注意力 TCN模型的人民币汇率预测

随着人民币汇率市场化改革的持续推进，汇率的潜在波动空间扩大。汇率波动关系到投资策略的制定及风险监管的实施，对其进行准确预测具有重要意义。深度学习以其强大的非线性拟合及特征提取能力在汇率预测领域受到关注。选取TCN（时序卷积网络）模型并在其基础上加入自注意力机制进行改进，构建SA-TCN模型，同时加入VIX（波动率指数）衡量市场情绪，以实现对汇率波动的精准预测。实证结果显示，相较于目前常用的LSTM、GRU模型及基础的TCN模型，SA-TCN模型预测效果最佳。     

基于改进GA的滑行道路径冲突解脱研究

为解决多航空器在飞行区场面活动时存在的冲突问题,以优化后的滑行路径距离作为目标代价函数,提出一种滑动时间窗与GA相融合的冲突解脱模型。首先在滑行规则、安全间隔与滑行道实际条件等约束条件下构建场面滑行路径模型;其次提出基于滑动时间窗与GA融合的求解算法;最后选取成都双流机场为例进行仿真,并与传统GA算法进行对比分析,证明基于改进GA的算法模型在飞行区冲突解脱上更具有鲁棒性与自适应性。     

基于大数据智能优化算法的网络舆情趋势预测研究

随着互联网的普及和社交媒体的发展，网络舆情趋势预测成为企业和政府部门关注的焦点。通过研究文本预处理、情感分析、舆情主题识别与聚类等网络舆情趋势预测的关键技术，探讨基于大数据智能优化算法的网络舆情趋势预测方法。实证研究表明，通过对比不同算法的预测性能，找到最适合的网络舆情趋势预测模型，以提高预测准确度。     

径向基函数网络的改进算法在油价预测中的应用

本文将径向基函数网络应用在国际原油价格预测中,采用一种改进的HCM算法来确定径向基函数的中心,并以纽约市场国际原油期货的日收盘价为对象进行预测,其结果表明,该模型具有较好的学习和泛化能力,为国际原油价格的预测提供了一条新的途径。     

基于GS-LGBM的乘用车使用寿命预测研究

为准确预测乘用车使用寿命,提出基于网格搜索优化LightGBM（GS-LGBM）模型的乘用车使用寿命预测方法。通过对2014—2019年乘用车报废数据进行大量实验,并与9种流行的机器学习算法进行对比,结果表明,LightGBM在平均绝对误差（MAE）、中位绝对误差（MEAE）、均方误差（MSE）和拟合优度判定系数（R2）4项指标上均明显优于其他算法。为进一步提升模型预测精度,采用网格搜索算法对LightGBM进行参数优化构建GS-LGBM模型,效果显著提升（MAE降低11.02%）,说明该方法能够更准确高效地预测乘用车使用寿命。     

MOOC网络的行为交互及影响因素研究

大规模开放课程已成为一种在线学习的新途径，探索学习者-课程交互关系网络的拓扑结构，对于提高学习者参与度和MOOC平台的活跃程度具有重要作用。研究随机爬取“中国大学MOOC”的学习者数据，利用复杂网络分析工具探究学习者的度分布演变，基于学习者的学习行为建模，提出学习者学习增益产出模型，并利用Pajek软件将二模网映射至学习者一模关系网；同时结合学习者的属性数据，构建属性数据各分量影响学习者参与课程度的回归模型。     

多种深度学习算法联合提高地震相分析及油气储层预测效果

联合使用多种深度学习算法，更好地挖掘地震数据中的隐蔽和有用信息，实现相互补充和优化，对于减少地震相分析结果的不确定性，具有重要意义。为此，提出了一种从标签训练到数据挖掘再到优化的全过程深度学习地震相分析的方法和流程。首先，通过自组织映射网络图SOM进行波形分类，为监督学习提供具有代表性的训练数据；然后，利用卷积神经网路CNN和循环神经网路RNN进行地震相分析，将预测得到的地震相分析结果输入到生成对抗神经网络GAN进行算法优化及运算结果的不确定性分析；最后，结合实际资料分析给出最优结果。本文提出和实现了SOM+CNN/RNN+GAN的监督和非监督联合的深度学习地震相分析的方法及实用流程，通过在研究区河道砂体储层油气预测的实际应用，证明该方法提高了地震相分析及油气储层预测结果的可靠性及效果。     

基于机器学习的岩性识别研究

钻井过程中的岩性识别是一个复杂且不断变化的非线性过程,很难建立准确的数学模型.由于传统识别方法存在解释精度低以及难以获得或丢失测井曲线的问题,直接通过传感器获取的钻速、钻压等每个与岩性有直接或间接关系的钻井参数,利用钻井参数进行岩石预测.基于机器学习技术,采用BP神经网络学习算法,根据地层岩性的特点,建立神经网络识别岩性模型,构造钻进参数样本并在MATLAB软件中利用神经网络工具箱进行岩性识别,分析训练集样本数量对模型识别准确率的影响.研究结果表明:BP神经网络输出非常准确,描述了采集到的钻井参数与岩性之间的关系,体现出神经网络的优越性;对钻井过程中岩性的识别具有积极的作用,有利于合理选择钻头类型、及时调整钻井参数和提高钻井效率.该岩性识别方法应用于仿生PDC钻头等方面,在试验和理论相互补充、支撑的同时便于利用该方法针对智能石油钻机开展更深层次的研究.     

基于CatBoost的护士离职预测研究

针对传统的离职预测算法应用于现实中高维度小样本不平衡数据集时存在准确度低、易过拟合、鲁棒性差等问题,应用梯度增强集成分类器CatBoost算法,进行类别型特征处理,利用BOHB(Bayesian Optimization and Hyperband)寻找最优参数,结合交叉验证对模型分类性能进行评估,建立分类模型并对护士离职情况进行预测。该算法采用高维小样本不平衡特征的上海部分公立医院的护士离职数据集,并与XGBoost、随机森林、支持向量机进行对比。实验结果表明,该算法准确度高,鲁棒性强,能够有效地对护士离职进行预测。     

海上双方位非重复性时移地震响应研究及应用

时移地震是剩余油挖潜最直接有效的技术手段,中国大多数老油田包括南海东部惠州A油田并没有实施时移地震采集。为了弄清已经进入特高含水期、高采出程度开发后期惠州A油田油水分布及运动规律,在已经正交采集一次三维老资料和二次三维新资料的条件下,以数学运算方法对一次三维和二次三维资料实施双方位非重复性时移地震处理,达到了减少时移地震采集成本投入和预测剩余油分布的目的。经过钻井证实,剩余油预测结果与钻探结果吻合,该方法可供海上油田推广借鉴。     

基于粒子群优化反向传播神经网络的铁路路基沉降量预测

铁路路基沉降规律复杂、沉降量难以预测,因此提出一种粒子群优化反向传播神经网络的路基沉降量预测模型。传统神经网络建模时存在收敛速度慢、易陷入局部极小值等不足。因此,通过粒子群算法修正网络的初始权/阈值,提高全局收敛性,建立基于粒子群优化的反向传播神经网络预测模型。通过对宝中线实测数据进行仿真实验,结果显示：经粒子群优化的神经网络可避免局部极小问题,加快网络收敛速度,提高了对铁路路基沉降量的预测精度。     

高含水油田“二三结合”提高采收率评价理论模型研究

“二三结合”是近年来国内高含水老油田在中低油价环境下首创的一种开发理念和开发模式，已进入工业化应用阶段。针对目前尚没有针对“二三结合”开发特点的提高采收率评价理论模型的情况，在综合分析国内外现有提高采收率评价方法的基础上，提出基于静态法构建“二三结合”提高采收率评价理论模型。依据国内油田“二三结合”的开发特点和开发实践，筛选出7项对“二三结合”采收率影响较大的关键相似准则及参数。基于“二三结合”作用机理和表征机制，从渗流力学和油藏工程角度出发，首次构建表征油藏属性、渗流特性、时变特性的“二三结合”提高采收率评价理论模型。考虑多层老油田的储层非均质性和油气水分布不均特性，引入全藏渗透率洛伦兹系数、全藏流度洛伦兹系数，实现“二三结合”提高采收率评价理论模型的修正。以大港某油藏实际开发动态参数和五点井网为例，给出“二三结合”提高采收率评价理论模型中系数的求解方法，得到“二三结合”提高采收率预测曲线，通过与数值模拟结果对比表明模型具有较好的可靠性和较强的适用性，为评价和预测“二三结合”开发效果以及老油田经济有效开发提供了科学依据与技术支撑。