集成学习在PM2.5预测中的应用研究

【目的】为了能实时预测PM_2.5的浓度。【方法】采用多种集成学习的方法进行模拟预测。传统的预测方式多采用深度学习或普通传统改进的机器学习算法，只考虑多种污染物浓度产生的影响，而忽略了其他气象因素对PM_2.5预测的影响。因此，传统的预测方式在预测精度上有着很多不足。【结果】本研究以哈尔滨近7年的气象数据和大气污染物浓度为数据集，通过皮尔逊相关系数法来提取主要特征，并过滤掉小于0.5的影响因子，同时使用多种集成学习方法对PM_2.5进行预测，观察不同集成学习方法对PM_2.5预测的准确度。【结论】试验结果发现，GBDT模型的拟合效果对新数据的泛化效果最好，其MSE为334.204 6、RMSE为18.281 3、MAPE为83.438 9、SMAPE为50.616 9。     

基于机器学习预测的隧道监测缺失数据插补研究

【目的】通过修复隧道监测数据的缺失值，为后续对隧道健康状态的分析提供更接近于现实的完整数据。【方法】本研究提出基于回归和分类思想的机器学习插补法，通过建立特征与缺失数据之间的关联规则，根据缺失个数和置换特征的重要度来设计插补顺序，并对缺失数据进行迭代插补。【结果】根据不同的缺失率、缺失类型和特征重要度对UCI数据和实际隧道监测数据进行实例分析，对比统计方法和机器学习方法的特点。【结论】机器学习方法适用于离散缺失和后段连续缺失的数据，传统的统计方法适用于监测数据前段、中段和前中后段连续缺失的情况，RF集成模型能达到最优的插补性能。根据缺失个数或将其与置换特征重要度加权求和得到插补顺序时，机器学习方法的插补性能更好。     

哈尔滨冬季气象要素对空气质量指数的影响分析

影响空气质量的要素很多,其中气象要素对空气质量的影响是不容忽视的。运用相关性分析、偏最小二乘回归和通径分析方法,研究了哈尔滨市2014年1月份气象要素对空气质量指数(Air quality index,AQI)的影响程度。相关性分析结果表明,AQI与平均风速显著性负相关,与平均相对湿度显著性正相关,气象要素间存在严重的多重共线性。根据相关性分析结果,建立了AQI与气象要素的偏最小二乘回归方程,模型拟合良好。通径分析结果表明,平均风速对AQI的直接作用、总作用和决策系数均最大,平均气压、平均相对湿度、平均气温通过平均风速对AQI的间接作用均大于它们对AQI的直接作用。平均风速为主要决定因素,平均气压为主要限制性因素。     

可燃物含水率的变系数回归预测模型

根据变系数回归模型的理论,选取当前时刻含水率作为观测变量,相对湿度、气温和风速作为影响因子建立可燃物含水率变系数回归预测模型.并分析对比了无降水条件下,可燃物含水率的变系数回归预测模型和基于平衡含水率的可燃物含水率常系数线性预测模型的预测精度.结果表明:可燃物含水率的变系数回归预测模型的准确率为84.55%,高于可燃物含水率常系数线性预测模型的82.14%.说明可燃物含水率的变系数回归预测模型具有更好的预测能力,具有一定的实用价值.     

国家公路里程预测模型建立与研究

【目的】在交通强国建设背景下,交通发展由依靠传统要素驱动向注重创新驱动转变,前瞻规划、科学预测成为国家交通建设的前提和基础。【方法】以2006—2020年国家统计局发布的公路里程为基础数据,运用指数法、对数法、多项式法、幂函数法建立预测模型。【结果】经过对比与检验,结果表明,6次多项式拟合预测模型最优,通过增加新增年度数据可对其进行优化。【结论】添加年度新增数据的6次多项式预测模型可以为国家公路建设规划提供参考。     

不同沉降预测方法在改扩建路基中的应用

【目的】改扩建工程中新路基沉降的准确预测至关重要。【方法】依托沪陕高速公路合肥至大顾店段改扩建工程，首先选择试验段对新路基沉降进行实测；然后分析了星野法、GM(1,1)和二者的组合法等三种沉降预测方法的预测效果。【结果】结果表明：GM(1,1)在预测后期结果偏大，星野法比GM(1,1)法预测效果好，与两个独立的预测模型相比，GM(1,1)-星野法预测模型预测准确率更高。【结论】研究成果可为类似工程提供借鉴。     

基于基因表达式编程的煤矿地表变形预测模型的研究与实现

【目的】本研究论述了煤矿地表变形预测的研究现状和基因表达式编程及其算法。【方法】笔者通过C#编程语言进行程序设计，对煤矿地表变形监测原始数据进行预处理，利用某煤矿前20期的变形原始数据来构建基于基因表达式编程（GEP）的煤矿地表变形预测模型，并对最后5期进行预测分析研究。【结果】结果表明，预测模型得出的预测值和实际值相差4～9 mm。【结论】这说明基于GEP的预测模型具有比较高的精度，有较好的可靠性。     

改进的RBF网络在宁德市综合需水预测中的应用

需水预测涉及多种因素,需对多因素进行综合评估．根据RBF神经网络算法,建立人工神经网络需水预测模型,选取影响研究需水量的主要因子,以此作为输入样本,将神经网络模型应用到宁德市需水预测的实例研究中,并运用Matlab神经网络工具箱进行模拟计算,预测精度较高．实例表明RBF神经网络模型用于城市需水量预测是可行的．     

基于TVDI的河南省遥感土壤墒情反演研究

【目的】精准高效地监测土壤墒情是现代化农业发展的重要环节。【方法】以我国农业大省河南省为研究区，基于MODIS遥感数据，提取归一化植被指数（NDVI）和增强型植被指数（EVI）分别与地表温度和地表温差建立温度-植被指数特征空间和温差-植被指数特征空间。通过研究区土壤水分站点的数据，讨论分别由Ts-NDVI、Ts-EVI、DT-NDVI和DT-EVI特征空间计算得到的温度植被干旱指数（TVDI）与土壤墒情站点的数据的相关性，以此验证基于MODIS数据的TVDI反演大区域土壤墒情的能力。【结果】Ts-EVI特征空间构建的TVDI与实测土壤墒情具有较稳定的相关性。【结论】TVDI不仅能够反映土壤表层的干湿状况；还能有效的反映土壤湿度的时空差异，是一种有效的实时监测土壤干湿状况的手段。     

德州市春节期间大气污染与气象要素的关系

气象要素是影响空气质量的重要因子.以德州市为例,选取了近5年德州市春节期间大气污染物浓度及气象数据,采用多种统计方法分析了大气污染物的变化以及气象与大气污染的关系,量化天气形势和局部气象要素对春节期间德州市大气污染物质量浓度变化的贡献.结果表明,PM_(2.5),PM_(10),SO_2,NO_2等4种污染物浓度受温度、湿度和风速等气象要素影响较大,其中PM_(2.5)和PM_(10)主要受湿度影响,SO_2主要受风速影响,NO_2受湿度和风速影响都相对较大.此研究为德州市在春节期间加强大气污染防治提供一定的数据基础和科学依据.     

基于SEM的低碳城市评价指标体系构建研究

【目的】影响低碳城市建设的因素较多,且因素间相互影响。构建评价指标体系探索影响低碳城市建设水平的关键因素,为制定城市低碳发展政策提供理论支撑。【方法】本研究基于DPSIR模型五大要素相互间的影响关系,确定7个一级指标,结合相关研究文献与国家政策选取25个二级指标构建评价指标体系并确定调查问卷;通过SPSS 26分析问卷数据、AMOS 26绘制结构方程模型进行二阶CFA分析检验研究假设,利用归一化处理标准化路径系数和因子荷载系数得到指标权重。【结果】结果表明,研究假设全部得到检验,指标权重最大的是低碳经济发展,最小的是污染物排放量,并分析了目前建设低碳城市面临的困境。【结论】基于研究结论提出低碳城市发展建议,助力实现“双碳”目标。     

基于MLP&ST模型的空气质量预测

针对目前大多数模型均为对已监测区域的空气质量进行预测,而少有对未监测区域进行预测的问题,综合考虑气象因素、空间相关性和时间依赖性对空气质量的影响,提出了一种联合训练模型MLP&ST （MLP&spatial-temporal）,模拟预测北京市未监测区域未来时刻的空气质量指数（air quality index,AQI）。通过实验结果对比确定最佳历史时间步长P值为29;然后将模型与其他空气质量预测模型进行对比。实验结果表明,MLP&ST模型在3种评价指标下（RMSE,MAE,MAPE）皆优于其他对比模型,验证了所提出模型具有良好的预测效果。     

基于Adaboost回归算法的安徽省物流需求短期预测研究

【目的】物流需求预测有助于调整物流资源的分配,对促进物流业发展具有重要意义。【方法】选取安徽省1995—2022年与物流需求相关的指标数据为原始样本数据,用货运量来表征物流需求。通过XGBoost特征选择算法筛选出6个用于预测的指标。在此基础上,使用3种方法分别构建模型,并对这些模型进行对比分析。最终,选择精度最高的Adaboost回归算法来预测安徽省短期物流需求。【结果】2023—2026年,安徽省的物流需求预测值分别为402 942.428万t、369 877.222万t、380 884.375万t、382 319.5万t。【结论】未来四年,安徽省物流的货运量呈不稳定发展态势。根据安徽省的区位优势及疫情的全面开放,安徽省物流业表现出较大的发展潜力。     

带协变量的混合因子模型及应用

异质性数据存在于许多领域中,例如心理学、环境科学。混合模型广泛用于探索异质性数据。本文提出了一种混合因子模型,它在探索异质性数据的过程中,可同时考虑引起的数据异质性的潜在因素和可观测到的影响因素。通过模拟研究,体现了基于该模型的两步法参数估计的有效性。同时将这些混合因子模型应用于城市空气质量的评价问题中,研究了空气污染物与气象因子之间的关系。     

基于随机森林与合成分析法建立脂肪肝合成预测模型

研究脂肪肝预测模型,旨为脂肪肝易发人群健康管理及风险评估提供参考.选取2006—2016年在西部战区总医院健康体检中心定期健康体检人群作为研究对象(体检中心为该人群建有专门软件用于管理体检数据资料),将随机森林算法筛选脂肪肝危险因素的效果与Logistic回归模型、人工神经网络、单棵决策树分类模型相比较.4种方法筛选脂肪肝影响因素准确率分别为88.0％、83.3％、83.9％、86.0％,随机森林筛选脂肪肝危险因素的准确率高于Logistic回归模型、人工神经网络和单棵决策树分类模型.基于随机森林算法与合成分析法建立脂肪肝合成预测模型,并评价其预测效能.研究结果表明,Logistic回归预测模型、Cox比例风险模型和脂肪肝合成预测模型的ROC曲线下面积分别为0.732、0.681、0.710,约登指数分别为0.340、0.269、0.330,灵敏度分别为0.589、0.503、0.639.脂肪肝合成预测模型ROC曲线下面积和约登指数介于Cox比例风险模型与Logistic回归模型之间,灵敏度最高.脂肪肝合成预测模型具有优于传统纵向数据分析模型的预测能力,且不需要大量纵向数据,是一种简单便捷的脂肪肝预测方法.     

郑州市大气污染时空分布特征分析及预测模型建立

基于郑州市中心城区空气质量监测数据,结合环境空气质量指数(AQI),采用反距离权重插值法(IDW)对郑州市的空气质量进行评价和时空分析。选取气压、气温、湿度、风速、风向、降水量6项常规污染物监测项,以及前一日AQI值总计13项作为预测因子,应用BP和RBF神经网络方法对郑州市未来短期空气质量时空分布进行预测。结果表明:(1)2016年和2017年郑州市空气质量主要以优良和轻度污染为主;(2)PM_(10)和PM_(2.5)的年平均浓度分别超过我国环境空气质量标准中二级标准年平均浓度限值103.79%、142.03%;(3)管城区污染频率较高,多呈现持续性的污染天气状况,冬季时的极端污染天气多集中于惠济区;(4)BP、RBF神经网络预测模型可以较好地预测郑州市大气污染的时空分布状况。本研究结果对后续研究治理郑州市空气污染具有一定意义。     

基于信息化视角的网络安全态势评估预测

目的:以安全态势评估概念和预测方法为基础,提出以信息融合为核心的网络安全态势感知模型。方法:首先对网络安全态势感知研究现状展开研究,然后给出相应的感知模型。在此模型中,对多源网络安全信息进行综合考量,并借助于D-S证据理念,得到相应的评估结果,而所涉评估对象包括主机、网络、漏洞和服务等。借助于支持向量回归理论,得到网络安全态势值。结果:本次研究所提出的感知模型,其诸多功能基本实现。结论:与已有的预测和评估法进行对比,以信息融合为核心构建的网络安全态势评估预测模型的结构完整度和预测准确性都具有显著优势。     

基于MLP&ST模型的空气质量预测

针对目前大多数模型均为对已监测区域的空气质量进行预测，而少有对未监测区域进行预测的问题，综合考虑气象因素、空间相关性和时间依赖性对空气质量的影响，提出了一种联合训练模型MLP&ST(MLP&spatial-temporal)，模拟预测北京市未监测区域未来时刻的空气质量指数（air quality index, AQI）。通过实验结果对比确定最佳历史时间步长P值为29；然后将模型与其他空气质量预测模型进行对比。实验结果表明，MLP&ST模型在3种评价指标下（RMSE,MAE,MAPE）皆优于其他对比模型，验证了所提出模型具有良好的预测效果。     

基于长短时记忆网络的恒温水浴锅温度模型预测

【目的】由于恒温水浴锅温度系统存在强非线性及大滞后性,本研究提出一种基于长短时记忆网络的恒温水浴锅温度模型预测方法。【方法】首先,对采集到的数据进行标准化处理,寻找长短时记忆网络的最优结构及超参数,用来拟合出最佳的数据映射特征,并构建恒温水浴锅温度的动态数学模型。其次,通过模型对未来一段时间内的温度趋势进行预测。最后,使用本研究提出的方法与最小二乘法所预测的结果进行对比分析。【结果】本研究所提方法构建的模型的拟合度达到了98.2%,预测结果的MSE及MAE比最小二乘法模型分别降低了4.616、0.823。【结论】本研究所提方法具有更高的预测精度,对提高恒温水浴锅的生产效率及控制精度具有重要意义。     

基于灰色关联模型对乌鲁木齐市PM_(10)浓度的影响因素分析

基于乌鲁木齐市2006~2015年空气污染物数据、气象数据和城市发展数据,构建了乌鲁木齐市PM_(10)浓度影响指标体系,通过熵值法对PM_(10)浓度影响指标因子做了综合评价分析,利用灰色关联模型对PM_(10)浓度及其影响指标因子、影响指标层做了灰色关联度分析。研究发现:(1)PM_(10)浓度的影响指标因子依据其变化趋势可以分为两类;(2)城市化与产业结构对乌鲁木齐市PM_(10)的浓度影响最大(wi=0.418 1),其次是PM_(10)污染物来源(wi=0.387 9),空气污染物与气象要素对PM_(10)的浓度影响最小(wi=0.194 1);(3)从发展水平看,城市化与产业结构PM_(10)污染物来源空气污染物与气象要素;(4)在28个影响指标因子中,与PM_(10)浓度呈中度关联的指标因子有生活垃圾处理量、房屋建筑施工面积和地区工业总产值,其余25个指标因子与PM_(10)浓度都呈强度关联;(5)三个指标层与PM_(10)浓度的灰色关联度都为强度关联;(6)空气各污染物与气象要素对PM_(10)浓度的固有影响属性不会随着时间的推移而发生明显改变,PM_(10)污染物来源、城市化与产业结构对PM_(10)浓度的影响随着时间的推移影响程度减弱。