P2P网贷平台借款人信用风险评估

为提高P2P网贷平台对借款人信用风险评估的准确性,利用主成分分析模型,用8个主成分反映18个指标,依据熵权法和方差百分比赋予权重,得到借款人是否违约还款的临界值,依据该值对借款人是否违约还款进行评估;再利用Logistic回归模型,得到影响借款人违约发生率的4个指标,其按影响程度从大到小的排序为借贷子等级、借贷目的、过去两年里超过30 d以上未及时还款的次数、贷款收入比。对11 383条交易数据的识别结果表明,在阈值为50%时,评估模型对正常还款的拟合率为99.6%,对违约还款的拟合率为71.3%,整体的拟合准确率为96.04%。     

融合Logistic回归与Tabnet模型的P2P网贷违约预测方法

结合P2P网贷平台的特点,融合Logistic回归和Tabnet模型,提出一种P2P网贷违约预测方法。采集人人贷平台借贷数据,并对数据进行清洗与加工预处理;通过信息价值法和相关性分析,对众多解释变量进行筛选,以借款状态作为因变量,采用Tabnet神经网络进行训练,根据训练得到的特征重要性选择关键的解释变量;将Tabnet神经网络预测结果作为新的训练数据集,构建Logistic回归模型;将人人贷数据集输入Logistic回归学习与训练,以训练好的Logistic回归用于网贷违约预测。实验结果表明,Tabnet模型的网贷违约平均预测准确率和精确率分别为9958%、9547%,Logistic回归的平均准确率和精确率分别为9872%、9221%,而融合模型的平均准确率和精确率分别为9960%、9672%;在3个测试集上的准确率标准差分别为0001 4、0000 6、0000 5,精确率标准差分别为0034 4、0013 3、0013 2。表明融合Logistic回归与Tabnet的网贷违约预测方法具有Logistic回归模型的可解释性与稳定性,可提高单一模型的预测精确度。     

P2P网络借贷平台中债权匹配问题的建模及算法研究

在P2P网络借贷平台中,债权匹配问题即如何匹配贷款人与借款人,使得平台的效率及效益最高是一个非常重要的问题.针对P2P网络借贷问题中的债权匹配问题,建立了以借款人与贷款人双方的满意程度最大为目标的数学模型,提出了一种基于满意度的搜索算法,基于该算法对债权匹配问题进行了求解,并通过数据实验验证了该算法的有效性.     

网络信贷中的双重信任及其对借贷意愿的影响机制

基于个人对个人的网络信贷是一种新兴的借贷模式,它为解决个人贷款及中小企业融资难问题提供了重要思路。出借人的参与意愿是该信贷模式能否成功的关键。信贷平台信任和借款人信任都会显著影响出借人的出借意愿。信贷平台的服务质量和安全保障会显著影响出借人对信贷平台的信任;而安全保障、信任倾向和借款人的声誉则会影响出借人对借款人的信任。     

P2P网络借贷中投资者出借意愿影响因素分析

P2P网络借贷是一种运用互联网技术形成的新型金融服务模式,在个人和小微企业融资方面具有良好的应用前景.然而当前P2P网络借贷模式中,面临着借贷双方的低成交率这一主要问题.应用拍拍贷的实际交易数据,采用数理统计方法从出借人的出借意愿角度,对影响借贷成功率的关键因素及其影响程度进行了研究,研究结果对P2P借贷平台的合理运营和借款人实现成功融资具有一定的借鉴意义.     

P2P借贷行业网络外部性测度研究

针对P2P借贷行业,应用归属曲线证明了其网络外部性的存在性,进而从供需理论入手构建了P2P借贷行业的网络外部性测度模型.收集中国50家P2P借贷平台2015年6月至2016年5月的月度运营数据,应用面板OLS,DOLS对其网络外部性进行测度.研究结果表明:在中国P2P借贷行业中,借款人数量和贷款人数量间存在着长期稳定的均衡关系;P2P借贷行业存在着正向的贷方网络外部性,外部性强度约为0.1,并未体现出明显的借方网络外部性.进一步通过Granger因果检验发现P2P借贷行业中存在由贷款人数量增长带动借款人数量增长的单向因果关系,因此,从外部性角度,P2P平台实施对贷款人补贴的策略是理性的.      

基于足迹图像的FtH-Net预测身高方法

为解决在刑侦领域需要通过脚印信息预测身高的问题,文中提出一种基于深度学习的回归预测算法。该算法首先对原始数据进行预处理来得到适用于深度学习回归模型的数据集,然后根据足迹数据的特性提出了一种由边缘提取和回归预测两个部分组成的新型网络架构FtH-Net(Foot to Height-Net),最后基于预处理得到的数据集和FtH-Net训练得到一个性能良好的预测模型。实验结果表明,相比于传统方法,该方法在保证模型泛化能力的同时大幅度提升了预测的准确率,预测身高2 cm以内的准确率达到了67%。     

基于随机森林优化的自组织神经网络算法

针对基于降维的神经网络分类器预测模型在分析过程中存在特征丢失, 并导致精度下降的问题， 提出一种基于随机森林算法优化的多层感知器(MLP)回归预测模型. 该优化模型通过在MLP回归模型网络的全连接层和逻辑回归层之间增加一个优化机制, 利用随机森林算法对隐藏层状态的优化实现改进, 从而解决了降维过程中神经网络丢失数据特征的问题. 在借贷客户信息数据集上的实验结果表明, 该模型在保证主要特征的同时大幅度提升了预测准确率, 证实该模型在特征工程中具有较高的实用性.     

基于ANFIS模型对汽车信号的预测

自适应神经模糊推理系统(ANFIS)是进行预测决策的有效方法,论文基于ANFIS模型对汽车信号进行了预测。通过与回归分析法进行比较,证明该方法在汽车信号的预测中具有很高的精度。     

图文决策融合的多模态电商垃圾评价检测

现有的电商垃圾评价检测方法大多基于对评价文本信息进行分析,难以有效检测带有图片的多模态垃圾评价,为充分利用评价的图片和文本内容,提出了基于Transformer双向编码表示(bidirectional encoder representa-tions from transformer,BERT)和宽残差网络(wide residual networks,WRN)的图文融合决策检测方法.该方法利用评价文本对经过预训练的BERT模型进行微调训练,经过表示学习分类得到文本评价类别向量,使用宽残差网络对评价图片进行特征提取和分类并输出图片类别向量,将得到的对应评价图文类别向量共同输入启发式决策融合分类器,对多模态评价整体进行预测分类.使用真实电商评价数据集进行实验表明,相比面向评价文本的分类方法,图文融合决策检测方法对多模态评价分类的精准率提高4.44％,召回率提高2.12％,Micro-F1提高3.67％,结果证实该方法能够对多模态垃圾评价进行有效检测.     

一种逻辑模型树算法在网络舆情中的谣言检测

网络舆情中的谣言对社会危害极大,因此有效地检测网络舆情中的谣言已是当务之急.目前,一些单一机器学习算法被相继应用到谣言检测中.针对这些单一机器学习算法在分类上的局限性,将一种融合逻辑回归与决策树的逻辑模型树方法用于谣言检测上.根据舆情分析报告上采集的数据集,实验结果表明:组合模型逻辑模型树的分类预测准确率比已应用到谣言检测的单一机器学习算法明显要高,逻辑模型树是一种有效的谣言检测方法.     

基于Logistic回归模型的红松立木腐朽分级预测

【目的】红松活立木在生长过程中极易受到各种生物的侵袭,其中木腐菌造成的腐朽是最为广泛和严重的危害之一,活立木腐朽将会造成木材资源的损失,降低木材的力学性能。为了监测红松活立木的健康状况,减少因腐朽引起的相关损失,须定期检测红松活立木腐朽状况,并采用腐朽分级的方法进行评估。【方法】使用阻抗仪和电阻断层成像技术(ERT)两种无损检测手段对黑龙江省五营国家森林公园内的红松活立木进行检测,并在检测截面使用生长锥钻取木芯。将野外测量数据导入电脑,获取立木的阻力曲线和电阻断层图像,分析处理微针阻力的下降幅度,得到样木的阻力损失;根据立木心材与边材腐朽在ERT图像上呈现的不同特征,首次采用一种基于OpenCV的图像处理技术识别腐朽样木电阻断层图像缺陷部分,实现了心材和边材缺陷面积的定量表征;采用烘干法测定质量损失率,根据每株样木的质量损失率将所有样木分为5个腐朽等级。将多分类有序因变量的Logistic回归分析引入到立木腐朽程度分级问题中,以阻力损失、心材缺陷面积比和边材缺陷面积比为自变量,腐朽等级为因变量,建立腐朽分级预测模型。检验模型的有效性、拟合优度及预测能力。【结果】Logistic回归模型性能良好,五营国家森林公园30株红松样木的综合预测准确率为86.67%,各等级预测准确率分布不均,高等级腐朽的预测准确率相对较高。【结论】运用提取心材与边材腐朽的方法处理ERT图像,有效地提高了利用ERT图像识别腐朽的准确率。建立Logistic回归模型可以较准确地预测出立木腐朽的等级,较之烘干法测定腐朽程度,其腐朽评估效率有了明显提高,且对立木损伤更小。     

一种基于SMOTE的不均衡样本KNN分类方法

针对在数据样本不均衡时,K近邻(K-nearest Neighbor,KNN)方法的预测结果会偏向样本数占优类的问题,本文提出了一种基于合成少数类过采样方法(SMOTE)的KNN不均衡样本分类优化方法(KSID)。该方法过程为:首先使用SMOTE方法将不均衡的训练集均衡化,并训练逻辑回归模型;然后使用逻辑回归模型对训练集进行预测,获取预测为正样本的数据,通过使用SMOTE方法均衡化该正样本,并训练KNN模型;最后把测试集放入该结合逻辑回归方法的KNN模型进行预测,得到最终的预测结果。围绕6个不均衡数据集,将KSID与逻辑回归、KNN和支持向量机(SVM)决策树等方法进行对比实验,结果表明,KSID方法在准确率、查全率、查准率、F1值这4个性能指标上均优于其他3种方法。通过引入SMOTE,KSID方法克服了KNN模型遇到样本不均衡数据集时,产生分类偏向的问题,为进一步研究KNN方法的优化和应用提供参考。     

一种配电自动化系统状态操作评价方法

随着智能配电网的发展,配电自动化系统投运日益增加,迫切需要对配电自动化系统的状态操作情况进行综合评价。研究在建立配电自动化系统状态操作评价分层指标体系的基础上,首先对指标数据进行聚类分析,以训练决策树指标分类器,便于自动分析状态操作情况的不同类别模式。然后对各指标应用熵权法进行赋权,利用该加权结果和指标数据构造综合评价的训练样本集。最后运用多元回归算法学习建立每类模式下配电自动化系统状态操作的评估模型。实验结果表明,采用上述方法构建的评价模型能较客观反映配电自动化系统在相应时间断面的综合状态操作水平,且比传统神经网络模型准确度更高,可为配电自动化系统的运行管理提供有效评价手段和决策依据。     

基于等时距处理和IOWHA算子的路基沉降预测

为避免随机因素对单一预测模型影响,建立更符合软土路基沉降规律的模型和方法以提高预测模型的精度和可靠性,分别以原始沉降数据、经三次样条插值和经分段三次Hermite插值处理的数据为样本值建立Gompertz模型、Logistic模型和灰色Verhulst模型3种预测模型,将每种模型的3种情况的预测值同实测值进行对比分析,选出每种模型对样本处理的优势方法。以每种模型的优势方法为单一模型,建立基于IOWHA算子的组合模型,该组合模型按照每个时刻单一模型的预测精度的高低对最优权系数进行求解。研究结果表明:在沉降速率发生明显变化时刻的数据作为最后一组样本值进行预测时,Gompertz模型和Logistic模型以分段三次Hermite插值等时距处理的数据为样本值预测效果更好,灰色Verhulst模型以原始沉降数据为样本值预测结果精度更高。求解基于IOWHA算子的组合预测模型的赋权系数时,GA比使用MATLAB的非线性优化的工具箱的求解方法更为可靠,得到的组合模型预测精度更高。     

露天矿行车事故预测方法及应用

为有效解决露天矿山行车事故预测模型建模时,易受小样本数据、离群数据规模影响,导致模型精度损失、算法抗噪容差能力及收敛速度下降等问题,提出一种基于二次惩罚项修正(PTS)的改进支持向量回归机模型(WLSSVR)。根据训练样本的数据分布特性,研究了服从露天矿山现实应用场景的二次惩罚项,进一步提高回归机模型的抗噪容差能力;考虑非线性预测模型影响因子选择困难的问题,研究了数据降维及因子分析方法,并将主成分分析方法引入到输入数据预处理算法中,以保证算法可得到理想的输入;针对传统回归机模型易受核参数选择影响,易导致模型早熟和收敛速度慢等问题,研究了粒子群惯性因子、学习因子的自适应迭代形式,提出了一种应用改进粒子群算法优化回归机模型核参数的方法。以露天矿行车事故频次预测为例,进行了预测和对比实验。实验结果表明:引入PTS模型的测试集预测结果明显优于不采用PTS策略的预测结果。这说明,应用文中提出的二次惩罚策略和参数优化算法对复杂系统的事故预测问题研究是可行且有效的。     

煤与瓦斯突出综合预测指标临界值的优化

为了提高煤与瓦斯突出预测的准确性、保障采掘工作面的安全、高效推进和降低防突工程成本,根据"三率"(预测突出率、突出预测准确率、不突出预测准确率)各自具有的合理区间属性和权重,以张集煤矿采掘工作面为例,采用区间数关联决策方法,得出综合预测指标F′的最优化区间为[370,380];根据加权灰靶决策方法,得出预测指标临界值排序为400、390、380等;取最优化区间和排序靠前的临界值的交集,得到煤与瓦斯突出综合预测指标F′的临界值为380,并开展现场应用。结果表明,考虑评价指标的区间属性,并取预测指标区间与排序靠前的临界值的交集作为煤与瓦斯突出预测综合指标F′的最优临界值方法是合理的。     

一类群决策问题的最优分配解法

在群决策中存在着多个决策者根据自己的知识、经验和偏好独立选择决策方法 ,对决策方案集作出决策后 ,应综合确定群体决策方案的多人多指标群决策问题 .针对这类决策问题具有决策信息量较少 ,而决策一致性较差的特点 ,分析了总体偏差法、足码法及其相关改进方法的优缺点 ,提出了一种多人综合评价的最优分配解法 .该方法通过建立决策方案集与决策名次之间的关联矩阵 ,并根据关联矩阵对方案集进行分类 ,在此基础上构造最优决策模型 ,利用整数规划中的最优分配解法求解最优模型 ,从而得到方案集的综合排序 .该方法简单实用 ,并且克服了总体偏差法、足码法及其相关方法的不足     

基于PCA-Logistic模型边坡稳定性分析

提出一种基于PCA-Logistic模型算法,并对边坡的稳定性进行预测分析。先用PCA对样本数据进行处理,有效控制稳定性因素的计算数量。选出边坡重度、内聚力、内摩擦角、边坡角四个主成成分进行Logistic建模分析。得出其Logistic回归模型,并运用于边坡稳定性实例分析,与用Logistic回归模型确定权重的模糊综合法进行对比。研究结果表明：PCA-Logistic模型有效的处理样本数据,减少不必要的分析过程,计算得出的边坡稳定性状态与实际情况相符;并与Logistic回归模型确定权重的模糊综合法进行对比,验证其计算结果的准确性,高效性。该方法可在工程地质、采矿工程、经济等众多领域应用与推广。