基于机器学习的建筑能耗模型适用性研究

为进一步分析不同机器学习方法用于建筑能耗模型的适用性,重点比较了6种常用机器学习方法用于预测办公建筑能耗时的准确性,包括线性回归、高斯过程、多元自适应回归样条法、自助多元自适应回归样条法、随机森林和支持向量机.结果表明:多元自适应回归样条法、自助多元自适应回归样条法和随机森林法适用于取暖能耗的模型建立;对于制冷能耗预测,自助多元自适应回归样条法的计算精度最高.同时发现制冷能耗与取暖能耗相比,由于存在更加复杂的非线性关系,其预测难度更大.研究结果不仅可用于在建筑节能分析中确定最佳机器学习方法,而且所得机器学习方法可用于城市建筑能耗模型的建立.     

高斯过程回归方法及其预测模型

机器学习目前在计算机学科和信息学科里是非常重要的一个前沿领域,高斯过程回归这一理论学习方法是一种全新的机器学习方法,它是在贝叶斯理论和统计学习理论结合的基础上发展起来的,自被提出以来就受到各个领域专家、学者的高度重视并取得了不少成果。该文主要介绍高斯过程回归的方法及其算法模型。     

基于等压差充电时间的锂离子电池寿命预测

针对锂离子电池寿命在线预测时直接测量困难及容量再生的现象,提出一种基于等压差充电时间和改进高斯过程回归模型的电池寿命预测方法.建立了具备不确定性表达能力的高斯过程回归模型,并采用组合核函数与粒子群算法进行了模型优化.在恒流充电过程中提取等压差充电时间参数,将其作为健康因子建立了广义线性回归模型,通过预测等压差充电时间进行电池容量估计与寿命预测,根据电池充放电循环数据进行实验验证.结果表明:基于等压差充电时间的高斯过程回归模型预测方法可以预测容量非线性退化轨迹,具备较高的锂离子电池寿命预测精度及在线预测能力.     

基于遥感和GIS的日最高最低气温估算

气温是气象要素的重要组成部分,广泛用于全球气候变化、资源环境分析及灾害预警等多个领域.随着卫星遥感技术的发展,气温的估算趋向于遥感或遥感和GIS结合的方法.本文以浙江省为研究区域,利用了36个站点2013年逐日每10min一次的自动气象站气温观测数据和MODIS地表温度及其他参数产品,选用多元线性回归(自变量为地表温度、归一化植被指数、地表反照率、经度、纬度和高程)、温度植被指数以及多元线性回归插值方法进行气温估算,建立了研究区日最高气温最低气温估算模型,并比较了几种气温估算方法在研究区的适用性.结果表明:3种方法最高气温估算的决定系数(R~2)分别为0.96、0.91、0.97,均方根误差(R_(MSE))分别为1.84、2.75、1.49℃;多元线性回归和多元线性回归插值法最低气温估算的R~2分别为0.87、0.91,R_(MSE)分别为3.33、2.93℃,两者均为多元线性回归插值法得到的结果最好.空间分布结果显示,多元线性回归插值法能很好地反映由地形不同所带来的细节差异.     

圆弧破坏型岩质边坡安全系数快速估计的高斯过程模型

高斯过程是新近发展起来的一种新的机器学习方法,对处理复杂非线性问题具有良好的适应性.针对边坡非线性系统的复杂性,为实现边坡安全快速设计和稳定性评价的工程实践要求,在高斯过程回归模型的基础上,提出了一种圆弧破坏型岩质边坡安全系数估计的高斯过程模型.该模型不必建立复杂的力学计算模型,而是利用高斯过程的自学习功能,通过对工程实例先验知识进行学习,建立圆弧破坏型岩质边坡安全系数与其各种影响因素之间的非线性映射关系,然后利用贝叶斯推理规则估计边坡安全系数.工程实例研究的结果表明,该模型是可行的,可以快速准确地给出具有概率意义的圆弧破坏型岩质边坡安全系数.     

岩溶塌陷预测的高斯过程机器学习模型

为研究在多种复杂影响因素下岩溶塌陷如何准确预测,针对现有方法的局限性,建立了一种基于高斯过程机器学习的岩溶塌陷预测模型.该模型通过对少量学习样本的学习,就可以建立岩溶塌陷与其影响因素之间的复杂非线性映射关系.将模型应用于工程实例,研究结果表明,岩溶塌陷预测的高斯过程机器学习模型是科学可行的,具有预测精度高、适用性强、参...     

基于多准则和高斯过程回归的动态软测量建模方法

为了解决静态软测量建模预测精度低和鲁棒性差等问题,提出了一种基于多准则和高斯过程回归的动态软测量建模方法.该方法综合考虑多种模型定阶准则,提出了高斯过程回归动态软测量模型定阶策略,为模型阶数确定提供了依据,并将所提动态软测量模型应用于红霉素发酵过程中生物量浓度的估计.研究结果表明,基于高斯过程回归的动态软测量建模方法可以实现对生物量浓度的高精度预测,且预测结果具有较小的置信度区间.     

基于非高斯信息的JITL软测量模型

为了有效监控具有非高斯数据特性的工业过程,提出了一种新的基于非高斯信息的JITL(Just-In-Time Learning)软测量模型.首先通过非高斯非相似度测量选择JITL局部建模样本;然后建立局部ICA-PLS回归模型实现工业过程质量变量监控.该方法从局部建模样本选择到局部回归模型建立能够有效处理工业过程数据的非高斯特性,并且保留了JITL建模的优点,能够有效地处理工业过程时变特性以及非线性.通过硫回收处理过程的应用,验证了方法的有效性.     

基于新疆地区降水量与气温的空间异质性的空间展开模型分析

基于新疆地区52个气象观测站点的逐日气温和降水量数据,利用空间展开模型研究了1970,1980,1990和2000年新疆地区平均气温与年降水量回归关系的空间异质性,并将结果予以可视化.采用空间展开模型用各观测站点的地理位置函数来代替各观测点的位置特性加入到模型当中,很好地解决了由于各站点地理特性而导致的空间异质性.研究表明,新疆地区气温对降水量的影响强度随着地理空间位置的变化而变化,二者的回归关系呈现出显著的空间非平稳性.北疆地区的影响系数显著为正,天山山区的大多数气象观测站点为正,而南疆地区的回归系数所反映的影响强度特征较为散乱,这种不一致性取决于南疆地区的特殊地理格局.研究结论充分说明新疆地区气温对降水量的影响强度存在明显的地域差异.     

基于高斯过程算法的日尺度IMERG降水数据与站点数据的融合研究——以湖北省为例

该文针对卫星降水数据空间分辨率较低的问题,以湖北省为研究区域,考虑经纬度、DEM、亮温数据、IMERG插值数据等辅助变量,融合2016年7月19日IMERG日分辨率卫星降水数据与气象站点数据资料.该文提出了点面融合方法和站点偏差校正估计两个融合方案,并选择了自适应样条多元回归、随机森林、高斯过程回归三种算法.结果表明,点面融合方法优于站点偏差校正估计方法,且高斯过程回归的融合结果优于其他两种算法.基于高斯过程方法的融合结果呈现合理的变化细节,符合降水的空间分布变化模式.融合结果的空间分辨率从约0.1°(约10 km)提高到1 km,且精度相对于原始的IMERG数据得到了较大的提升,该研究对高时间分辨率的多源降水数据的融合具有一定的意义.     

基于机器学习的改性沥青黏弹性预测

为利用机器学习方法预测改性沥青黏弹性，分析不同预测模型适用性和预测精度，测试了胶粉（CR）改性沥青、SBS改性沥青和废旧塑料（PE）改性沥青不同温度和频率下的复数模量.选择人工神经网络（ANN）、稳健线性回归（RLR）、线性支持向量回归（LSVR）、决策树回归（DTR）、高斯回归（GPR）和集成回归（ER）6种机器学习方法预测三种改性沥青复数模量.结果表明：预测结果散点图中，ANN和ER模型预测精度最高，DTR模型次之且存在数据聚类.6种预测模型预测结果的相关系数均大于0.9，纳什效率系数均大于0.85.不同预测模型在PE改性沥青中预测精度最高，SBS改性沥青次之.根据三种改性沥青复数模量预测结果的相关系数、相对均方根误差、分散指数、相对误差和纳什效率系数五个统计参数的平均值，6种预测模型预测精度从高到低依次为ER、ANN、DTR、GPR、LSVR和RLR.     

基于特征选择和机器学习的材料弹性性能预测

利用机器学习方法进行材料性能预测研究,通过运用3种特征选择方法(Filter、RFE、LASSO)和3种机器学习模型(线性回归、岭回归、支持向量回归),从众多多尺度特征集中选择最佳的特征子集来预测无机化合物的弹性性能,归纳了预测材料弹性性能的最有效的、组合了特征选择与机器学习的预测模型,比较了特征选择方法在不同机器学习模型上的表现,分析了利用特征选择方法得到的特征子集.实验结果表明,Filter和SVR组合模型的预测结果最好,机器学习模型比特征选择方法对预测结果的影响更大,特征选择方法选出的特征子集中主要包括熔点、晶体结构、门捷列夫序号等材料特性.文中研究成果可为获得无机化合物弹性性能描述符和进一步开发更有效的材料性能预测方法提供参考.     

基于集成学习的电商销量预测研究分析

针对电商销量数据的复杂性和现有预测模型的稳定性及泛化能力不足问题,本研究基于大样本多变量数据,应用随机森林和渐进梯度回归树等机器学习模型进行分析。研究结果表明,相比于广义线性回归、弹性网络、支持向量回归、KNN回归树、决策树、多层感知机、AdaBoost,随机森林和渐进梯度回归树对电商销售数据预测拟合更加精确。相比于广义线性回归、弹性网络等7种传统机器学习算法,随机森林和渐进梯度回归树这两种集成学习的方法对电商销量预测更加精确,且渐进梯度回归树算法拟合效果更好、均方根误差更小,是一种更加有效的电商销量预测方法。     

混合高斯过程回归模型在铁水硅含量预报中的应用

为了提高基于高斯过程回归的软测量模型的预测精度,提出了一种混合高斯过程回归模型。该模型将高斯过程回归模型预测输出值的方差及其分布作为主要考虑因素,对多个高斯过程回归模型的输出值进行组合输出,获得了比单个高斯过程回归模型更高的预测精度和更强的模型鲁棒性。将该模型实用于高炉铁水硅含量预报模型的建模,获得了比使用单个高斯过程回归模型建模时更好的应用效果。     

过程混合的高斯过程模型混合采样推理

提出了基于Dirichlet过程混合的高斯过程模型揭示复杂动态系统结构数据的多态性的内在机制.针对均值结构与协方差结构稀疏性的差异性,设计了参数先验与非参数先验来构建基于Polya urn与过松弛层采样的混合采样框架体系.该混合采样方案不但能够在统一的Metropolis Hasting(M H)概率评价准则下实现,而且能够最大限度地克服高斯随机走步的缺陷,方便、快速地获得马尔科夫样本链的展开.仿真结果表明,混合采样算法比高斯过程回归模型及高斯过程函数回归混合模型具有更广泛的适应性及更好的预测效果.     

基于深度学习的PM2.5短期预测模型

为了提高PM2.5浓度短期预报的准确率,解决现有PM2.5浓度短期预报准确率不高的问题,提出了一种基于卷积神经网络和长短时记忆的深度学习预报测型.首先,综合考虑气温、相对湿度、降水量、风力、能见度等多种气象要素,综合分析气象要素与PM2.5浓度相关性.其次,利用PM2.5浓度数据、气象站点观测数据和气象要素网格实况分析数据进行融合处理,生成用于训练和测试的时空序列数据,并使用卷积神经网络和长短时记忆网络获取时空特征.通过大量实验确定模型中关键参数,然后利用最优参数建立预测模型.最后,使用模型对PM2.5未来24 h浓度进行预测,并与支持向量机、业务中的预报模型进行对比.实验结果表明,相比其他机器学习方法和预报方法,卷积神经网络和长短时记忆相结合的预测方法能有效提高PM2.5浓度未来24 h预测精度,并具有较高的泛化能力.     

珠江三角洲城镇化对区域极端温度变化的影响

基于珠江三角洲关键气象站点数据,分析了1960～2016年各个站点极端气温、平均气温的变化差异.用线性回归分析和城郊取差法对各个站点的极端最低气温、极端最高气温、平均气温进行趋势评价,得出各站点3种气温的变化特征,以及城镇化对3种气温变化的贡献.结果表明,珠三角各站点的极端最低气温上升最明显,其次是极端最高气温.城镇化对珠三角平均气温变化的影响最明显,其次是极端最低气温,对极端最高气温变化的影响很小.     

硬化非高斯结构响应首次穿越的Monte Carlo模拟

在对比分析已有硬化非高斯模型(Winterstein硬化模型、Ding和Chen模型)的基础上,提出了一个基于Zhao和Lu模型的新硬化非高斯模型.新模型预测偏度和峰度的误差比既有硬化模型小,且最大误差分别为0.311和0.479,表明新模型具有良好的精度;同时新模型扩展了Zhao和Lu模型的适用范围.最后运用新硬化模型模拟硬化非高斯过程样本,发展了硬化非高斯结构响应首次穿越的Monte Carlo模拟方法.数值算例验证了本文方法用于硬化非高斯结构响应首次穿越失效概率计算有较高的精度;杭州新火车东站大跨屋盖以及南水北调工程渡槽结构工程实例说明了本文方法的使用过程.     

一种动态校正的AGMM-GPR多模型软测量建模方法

工业过程常常是强非线性的,并有多个工况,传统的软测量方法存在预测能力差,不能有效利用误差信息等缺点.为了有效解决这些问题,提出一种基于自适应高斯混合模型-高斯过程回归(AGMM-GPR)的多模型动态校正软测量建模方法.首先,通过贝叶斯信息准则构建自适应高斯混合模型(AGMM),得到优化的子模型个数;然后,利用GPR方法建立各局部模型,当新的数据到来时,将其隶属于各局部模型的后验概率和预测值融合得到多模型输出;最后,为了进一步提高模型的精度,构建自回归积分滑动平均(ARIMA)模型对多模型输出进行动态反馈校正.通过数值仿真和硫回收装置(SRU)中H2S浓度的估计,验证了所提方法具有良好的预测精度和泛化性能.     

基于分位数回归模型和经验模态分解的全球变暖问题研究

利用分位数回归模型和经验模态分解(empirical mode decomposition, EMD)方法对气候及其变化进行分析和预测.首先,采用全球热力图对气温数据进行描述统计,并采用经验模态分解方法降噪获取趋势项来引入全球气温周期概念,探究全球气候变暖趋势;然后,基于多元线性回归模型及分位数回归模型寻找全球气温的影响因素,并对气温进行建模及预测.研究结果可为全球气候分析提供统计学支撑.