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。     

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ARIMA模型的吐鲁番市葡萄产量预测分析

党的十九大报告指出我国社会主要矛盾已经发生变化。从我国社会主要矛盾的变更可以看出,随着人民生活水平的日益提高,人们对水果的需求量逐渐增大。而新疆是全国面积最大的省,也是农业发展较好的省份,新疆吐鲁番市是我国最大的葡萄生产基地,堪称世界葡萄植物园,葡萄产量分析对吐鲁番市葡萄产业的健康、可持续发展具有非常重要的意义。基于吐鲁番市葡萄产业现状,以1988—2017年的新疆吐鲁番市葡萄产量数据为依托,利用ARIMA模型对2018—2020年的葡萄产量进行预测。研究发现:ARIMA(3,2,1)模型的预测误差测度指标都较小且预测区间呈现喇叭形,这是时间序列预测的典型特点。因此,该模型对于吐鲁番市葡萄产量序列预测的效果还是较为准确的。     

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EMD-SE-LSTM模型的股指日内已实现波动率预测──以中证500指数为例

由于股指波动率具有非平稳、高嘈杂、非线性等特征,而传统的预测模型在建模时要求数据平稳、线性或近似线性,所以很难精准预测股指波动率。为提高股指波动率的预测效果,采用经验模态分解(EMD)、样本熵(SE)和长短期记忆网络(LSTM)构建的模型对股指日内已实现波动率进行预测。以中证500指数为例,经过EMD分解得到一系列分量,再根据分量的样本熵大小进行重构,最后利用LSTM对重构后的各序列进行预测。结果表明,EMD算法对LSTM模型的预测精度有很大的提升,相较于传统模型,EMD-SE-LSTM模型在预测股指波动率时精度更高,拟合优度更好。     

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。     

基于深度学习和多传感器信息融合的全场景自动泊车技术研究和应用

本项目利用车身车载4个全景环视摄像头、融合车周围12个超声波雷达信号,并结合IMU、轮速计等多传感器信息,通过对深度学习、多维感知信息融合分析、车身姿态高精度定位、路径规划及运动控制等技术开展研究,进行复杂城市场景下的自动泊车应用研发,实现可适应包括平行车位、垂直车位、斜方位车位、特殊车位等多种复杂车位条件下,白天夜晚停车等全场景的自动泊车应用。     

基于机器学习的斜坡堤越浪量预测方法研究

针对斜坡堤越浪量预测方法,分别建立集成神经网络(ensemble neural network,ENN)、随机森林(random for-eset,RF)和支持向量回归机(suppport vector regression,SVR)3种机器学习模型对斜坡堤越浪量进行预测,并利用决定系数R2和均方根误差RMSE来评估模型性能.最后,对3种模型的性能进行分析.结果显示,集成神经网络模型的决定系数R2和均方根误差RM S E分别约为0.96和0.0018,随机森林模型的决定系数R2和均方根误差RMSE分别约为0.97和0.0014,支持向量回归机模型的决定系数R2和均方根误差RMSE分别约为0.94和0.002.对比发现,3种模型的决定系数都达到0.9以上,都具有较高的预测精度,随机森林相比其他两个模型精度更高.     

稠油油藏HS油田经济极限产量研究

稠油油藏开发过程中产量达到峰值后会迅速进入递减期,产量下降加快。受国际油价下跌影响,油田的经济效益下降。通过对稠油油藏经济极限产量的影响因素分析,运用投入产出原理,建立了经济极限产量模型。利用HS油田生产数据计算出油田经济极限产量,最后用统计学软件建立了极限产量与影响因素的回归模型,为油田管理者进行产量决策提供了科学依据。     

A油田热采水平井出水机理及找水方法研究

针对热采水平井出水影响因素复杂,并严重影响其开采效果的问题,采用数值模拟方法研究目标A油田热采水平井含水上升的影响因素,包括水平井的水平段长度、日产液量等,分析出水机理,并利用正交试验分析法进行多因素影响次序研究;基于A油田高含水水平井出水原因分析,提出生产动态与测井资料综合分析找水法,并制定判定标准。应用目标A油田两口典型高含水热采水平井ABA98、ABA03的生产动态、压力测试、井口温度以及产出水矿化度等资料,综合分析两口井的产出水来源,判断各井的出水原因,并结合测井资料分析出水位置。     

基于企业员工自我管理的学习型组织模式研究

创建学习型组织是知识经济条件下组织创新的必然要求。学习型组织突破了传统的组织管理模式,给予组织员工一定的自主空间,使得员工能够自我管理。作为一种主体性的管理实践,自我管理推动员工自主学习,提升组织成员创新学习能力,从而实现个人与工作的融合,使人们在学习型组织中实现生命的意义和价值。     

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。     

基于RBF神经网络的太阳能发电量预测

太阳能发电系统输出功率的预测,尤其是短期预测,受到各种外源因素的影响,预测结果并不理想。由于现有预测方法对外部条件的依赖性,如太阳辐射强度和环境温度等,致使存在多种变量,影响预测的效率。为此,采用径向基函数神经网络(RBFN),选择最优的输入参数,来预测20 kW太阳能电池板的功率输出,考虑效率的同时,对预测结果有了一定程度的改善。并将所提出方法与现有方法进行了比较。     

基于BP神经网络与灰色预测理论的人口死亡率预测

根据2013年《福建统计年鉴》上收集到的资料,运用GM(1,1)模型以及MATLAB构建3层BP神经网络结构模型,分别对福建省人口死亡率进行建模预测。结果表明:BP神经网络预测人口死亡率拟合结果优于GM(1,1)模型,最小相对误差率为1.05%,最大相对误差率为3.75%,平均相对误差率为2.54%,拟合结果显示模型可靠。BP神经网络非线性结构系统,具有预测精度高,可行性强的特点,表明BP神经网络可用于未来人口规模预测,为福建省经济社会发展战略与规划,调整人口结构,制定合理的人口决策提供参考。     

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。