基于约束人力资源配置系统的设计与实现

由于传统的人工排班模式难以完成满足约束条件的人力资源合理配置,为此,针对国内客服中心全职话务员、班组管理和轮班与连续班规则的特点,设计并实现了基于约束的人力资源配置系统。该系统经过话务员和班组定义、规则设置、话务量预测、话务员需求计算、执行排班5个步骤,完成人力资源的动态配置。其中话务量预测采用周期模型和近邻算法相结合的方法,能够更好地区分工作日和非工作日,提高了预测精度;排班算法采用基于深度优先回溯和整数规划结合的方法,达到了话务量高度拟和以及节省人力成本的目的。     

基于k近邻的混合数据分类方法

由于有序与无序特征之间的复杂关系，现有分类方法不能有效处理混合数据（同时包括有序和无序特征）上的分类问题。针对此问题，提出了基于k近邻的混合数据分类方法（a classification method for mixed data based on k-nearest neighbor,MDKNN）。首先通过区分有序和无序特征计算样本之间的距离，获取特征的序信息和统计信息；然后分别从优于和劣于预测样本的训练集中选出最近邻样本，并基于模糊关系计算其类隶属度，以确定预测样本的类标签范围，从而保证预测结果的单调性；最后在该范围内计算分类结果。在来自UCI和WEKA的12个公开数据集上进行实验，分别与基于k近邻模型的MKNN、FKNN、MFKNN算法和基于非k近邻模型的PMDT、OLM、OSDL算法比较，所提方法都获得了最高的平均准确率，且分别比两类模型中的最优算法MFKNN和PMDT提高了7.13%和9.84%，表明了所提方法的有效性。     

一种新的组合k-近邻预测方法

针对传统k-近邻(k-NN)算法基于单一k值预测难以兼顾不同样本的个性,从而导致总体预测精度不够理想的问题,提出了一种组合Bk-NN预测方法.首先通过Boosting理论建立了个性化预测模型集,然后分别采用每个模型对样本进行独立预测,最后各模型预测值的加权和将作为最终预测结果.Bk-NN预测充分考虑了不同类型的样本可能要求不同的预测模型与之相适应的情况,有效降低了预测误差.与其他方法不同的是,Bk-NN预测对数据集的属性类型没有特殊要求.在标准数据集上的实验结果表明,Bk-NN预测精度比传统k-NN方法平均提高了6.44%～15.25%.     

基于HALRTC理论的短时交通流预测算法

针对目前短时交通流预测算法多考虑交通流的低维信息特征,导致无法满足预测精准度要求等问题,引入高精度低秩张量填充理论（HALRTC）,构建基于周、天、时段等多时间维度的动态张量模型,设计了一种融合高维交通流特征的短时交通流预测算法,并以京港澳高速公路杜家坎路段交通流速度数据为例进行实证验证。研究结果显示,算法能够基于较少历史数据较快达到良好预测效果,可有效实现针对工作日与非工作日的交通流预测,平均绝对误差（MAE）平均值约为3.6%,并能及时跟踪交通流波动性。在缺失数据情况下,所提出算法预测精度随数据缺失比例增大而降低,但相较于3种经典预测算法可表现出更好的预测精度。     

用于交通流预测的带距离权重模式识别算法

基于带权重的模式识别算法(WPRA)的交通流短时预测根据历史交通模式所属时段特征区分不同历史状态值权重系数的大小,但权重值的主观设定降低了方法实际应用的可靠性.通过分析基于数据驱动的非参数回归交通流预测算法核心原理,针对WPRA模型权重系数的主观随机性进行预测算法改进,建立了能预测短时交通流的带距离权重的模式识别算法(DWPRA).最后,应用实际交通流数据引入均方根误差进行算法验证,验证结果显示相同近邻K值情况下,DWPRA比WPRA均方根误差降低约4.8%~7.1%,证明了算法的有效性.     

基于收费数据的高速公路站间旅行时间预测

针对高速公路断面检测数据密度不足现状,采用收费数据预测收费站间车辆旅行时间。首先,研究收费数据实时修正处理方法,改进平均旅行时间计算模型;其次,引入分段线性插值方法构建卡尔曼滤波模型,以减小卡尔曼滤波线性化产生的模型误差问题;接着,依据旅行时间预测业务逻辑开发应用系统,实时主动预测高速公路站间旅行时间。示范路段应用表明,插值后预测算法在正常、事故、小长假三种交通流状态下所有周期平均相对误差控制在10%内,事故周期平均相对误差控制在13%内。插值后算法预测精度有效提高,可为高速公路公众出行提供时间参考。     

基于自适应最优模糊逻辑系统的移动通信话务预测

移动通信话务数据具有强非线性,传统的预测技术很难准确预测其变化规律．文中根据移动通信话务量的特点,对移动通信话务数据进行分块建模——采用最近邻模糊聚类算法对周期分量模块进行建模,采用线性回归方法对趋势分量模块进行建模,并据此设计了一种智能型的自适应最优模糊逻辑话务预测系统,进而对广东某地区的话务数据进行了预测．现场调试结果表明,该预测系统能有效预测移动通信的话务量．     

响应变量随机缺失的相依函数型单指标模型的 k 近邻估计

针对具有 α 混合结构的函数型时间序列数据,当响应变量随机缺失时,利用函数型单指标模型进行统计建 模,并采用 k 近邻方法对模型中未知参数和未知函数进行估计,与经典核方法相比,其数据适用性更强,可以提高 估计效率;通过数值模拟和厄尔尼诺海平面温度数据,将 k 近邻方法和经典核方法进行比较,讨论 k 近邻方法与经 典核方法对未知参数和未知函数的估计效果;从模拟结果可以看到:k 近邻方法对未知参数和未知函数的估计精度 以及随样本增加的改善效果要优于经典核方法,在真实数据分析中,k 近邻对真实数据的精度拟合以及趋势拟合都 表现优异;这些结果表明:在响应变量随机缺失的时间序列单指标模型中,采用 k 近邻方法对未知参数和未知函数 进行估计,在精度上要优于经典核方法,同时在真实数据分析中,相比经典核方法,k 近邻方法能更好地拟合 数据。     

流量预测精度对控制效果的影响

为说明流量预测算法对交通控制的实际影响,进而提出交通控制对预测算法的精度要求,根据青岛市江西路实地流量数据,分析线性预测算法的预测精度,研究预测精度对交叉口流量比、周期的影响,进一步获得预测精度对交叉口平均延误和通行能力的影响。研究过程发现数据前期的平滑处理可提高流量预测精度,从而减少预测数据对配时参数以及控制效果的干扰。通过数据分析及研究,结果显示线性流量预测算法预测误差大约为10%,这对周期造成2%左右的误差,使绿灯时间误差在2s以内,而对延误及通行能力的误差干扰都在5%以内。说明线性预测算法在实际信号配时方案中具有可行性,从而简化系统的复杂性,提高运行效率。     

基于MPI的近邻距离加权偏标记学习算法之并行实现

针对基于样例的偏标记学习方法 IPAL需对每个样本求取近邻及近邻的权值、耗时太多而不适用于求取大规模数据的问题,提出了一种基于近邻距离加权的偏标记学习算法,对IPAL中近邻权值的求取方式进行改进.为提升新算法的运行效率,在训练集与测试集的读取、相似度图的构建、迭代标记传播和测试样本的预测等方面进行了并行计算;设计了新算法的并行模型,且在MPI的集群环境下实现此模型.将改进后串行算法WIPAL的运行效率和分类准确率与IPAL进行对比,且将不同进程数下并行算法PWIPAL的运行时间和加速比进行对比.试验结果表明:新算法在保证分类准确率的前提下缩短了运行时间;随着数据规模的增大,PWIPAL与WIPAL分类准确率相同,运行时间的加速比逐渐接近所设定的进程数,可以用来处理大规模数据.     

Classification by ALH-Fast Algorithm

The adaptive local hyperplane (ALH) algorithm is a very recently proposed classifier, which has been shown to perform better than many other benchmarking classifiers including support vector machine (SVM), K-nearest neighbor (KNN), linear discriminant analysis (LDA), and K-local hyperplane distance nearest neighbor (HKNN) algorithms. Although the ALH algorithm is well formulated and despite the fact that it performs well in practice, its scalability over a very large data set is limited due to the online distance computations associated with all training instances. In this paper, a novel algorithm, called ALH-Fast and obtained by combining the classification tree algorithm and the ALH, is proposed to reduce the computational load of the ALH algorithm. The experiment results on two large data sets show that the ALH-Fast algorithm is both much faster and more accurate than the ALH algorithm.     

一种多目标多传感器航迹相关算法

提出一种适合于分布式多传感器数据融合的新的航迹相关算法（ＭＫ－ＮＮ）。对其航迹相关准则进行了详细的描述，研究了航迹质量设计、多义性处理、阈值选择和算法的相关检验过程，并通过仿真把它与最近邻域法（ＮＮ）和Ｋ近邻域法（Ｋ－ＮＮ）进行了比较。仿真结果表明，在密集目标环境下和／或交叉、分岔及机动航迹较多的场合，ＭＫ－ＮＮ算法的性能明显优于ＮＮ法，其正确相关率比ＮＮ法提高了约４０％。ＭＫ－ＮＮ与Ｋ－ＮＮ相比不但正确相关率获得约５％的改善，而且处理速度也提高了约一倍。     

基于3种机器学习模型的岩爆类型预测

岩爆类型预测是防治和控制硬岩矿山岩爆灾害的有效方式。基于国内外397组岩爆案例数据，规范训练集与测试集的数据预处理方式，采用模型参数优化及交叉验证技术获得最近邻、支持向量机与决策树模型最佳参数；对比分析主成分分析法（PCA）与过采样SMOTE对3种机器学习算法预测准确率的影响，并采用准确率、精确率、召回率、F1等指标对模型预测性能进行评估。结果表明：主成分分析对3种机器学习模型的预测准确率并无提升，不同岩爆类型的样本之间不具有较为明显的决策边界；过采样SMOTE算法仅对决策树模型有明显的提升，基于过采样建立的SMOTE-DT模型预测准确率为77.50%，高于仅对原始数据集进行标准化处理的KNN、SVM模型的68.75%与57.50%；SMOTE-DT在高估与低估岩爆类型表现优于KNN与SVM模型，对于四种岩爆类型的F1值均大于0.7，岩爆预测性能稳定可靠。此外，采用本文构建的3种机器学习模型对山西紫金金矿进行了岩爆类型预测，模型预测结果与现场观测结果相一致。本文构建的三种用于岩爆类型预测的机器学习模型避免了训练集信息泄露对测试集造成影响，研究结果为岩爆类型预测及规范机器学习模型训练过程提供了理论支撑。     

改进的神经网络最近邻聚类学习算法及其应用

提出了一种改进的RBF(Radial Basis Functions，径向基函数)神经网络最近邻聚类学习算法。并将其应用于股市预测问题。模拟结果表明，改进算法的拟合效果与拟合误差均明显好于常规最近邻聚类学习算法，可以较大幅度提高RBF神经网络的预测性能。     

一种改进的毫米波雷达聚类算法

针对毫米波雷达数据均匀性差,数据量小,噪点多等问题,提出一种基于DBSCAN (density-based spatial clustering of applications with noise)的雷达自适应聚类算法.改进算法能够根据K近邻距离和目标反射截面自适应调整聚类半径.首先给出一种聚类半径根据K近邻距离动态调整的机制:目标第K个近邻的距离与阈值相比较,以确定阈值半径取值.再提取雷达提供的目标反射截面,基于该值计算目标假象半径作为聚类半径的补充量.实现根据目标反射截面与数据稀疏程度自适应聚类的效果.将改进算法与不同参数的DBSCAN聚类算法在真实雷达点云数据进行实验对比.相较于选取合适参数的DBSCAN算法,改进算法能够更好适应毫米波雷达点云特征,对行人目标识别准确率提高4.18％,对车辆目标识别准确率提高5.63％.     

基于交叉覆盖算法的改进算法-最近邻交叉覆盖算法

交叉覆盖算法分类时着重在于两类的交界部分,混杂在另外一类中往往无助于提高分类器的效率,反而会增加分类器的计算负担。本文提出一种基于交叉覆盖算法的最近邻交叉覆盖算法(NN-ACA):对进行训练的原始样本数据进行预处理,删除这些不同类的最近邻点,得到精简后的样本集,再对该样本集使用交叉覆盖算法。通过实验和与SVM的比较,结果表明NN-ACA在一定的样本规模表现了速度和分类正确性上的优越性。     

Hand Gesture Recognition Based on Improved FRNN

The trained Gaussian mixture model is used to make skincolour segmentation for the input image sequences. The hand gesture region is extracted, and the relative normalization images are obtained by interpolation operation. To solve the proem of hand gesture recognition, Fuzzy-Rough based nearest neighbour（RNN） algorithm is applied for classification. For avoiding the costly compute, an improved nearest neighbour classification algorithm based on fuzzy-rough set theory （FRNNC） is proposed. The algorithm employs the represented cluster points instead of the whole training samples, and takes the hand gesture data＇s fuzziness and the roughness into account, so the campute spending is decreased and the recognition rate is increased. The 30 gestures in Chinese sign language alphabet are used for approving the effectiveness of the proposed algorithm. The recognition rate is 94.96%, which is better than that of KNN （K nearest neighbor）and Fuzzy- KNN （Fuzzy K nearest neighbor）.     

分布式网络中 CKNN 查询的 BORA 优化汇聚

针对时空数据库中,移动对象轨迹的连续K近邻查询(continuous K nearest neighbor query,CKNN)的查询效率较低的问题,以及在分布式的移动对象数据库(moving objects databases,MOD)环境下,提升对应查询结果的数据汇聚效率问题进行了研究.在CKNN查询中,设计优化了查询海滩线的更新算法,通过在轨迹数据结构中增加更新标志位,减少了轨迹线段参与的判定运算;同时在假设的类网格覆盖的分布式空间环境下,利用基于Bresenham覆盖的路由汇聚(Bresenham-based overlay for routing and aggregation,BORA)方法,进行查询结果的汇聚;并针对不同近邻参数、轨迹数目、移动对象速度、汇聚方式等对查询时间的影响进行了仿真实验;仿真结果表明,不同参数数值的增加延长了处理时间,基于BORA的汇聚方式比一般的汇聚方式节省了更多的处理时间,提高了系统查询及处理的效率.     

可缓解类重叠问题的跨版本软件缺陷预测方法

针对软件缺陷预测过程中未充分使用源代码语义特征以及训练数据集中的类重叠问题, 提出一种面向类重叠的跨版本软件缺陷深度特征学习方法. 该方法采用混合式最近邻清理策略缓解深度学习语义特征中存在的类重叠问题. 在PROMISE公开数据集上进行测试的结果表明, 该策略能提升基于深度语义学习的软件缺陷预测性能, 分类性能最多在中值上提升14.8%. 实验结果表明, 在跨版本深度缺陷预测问题中可采用混合式最近邻清理策略缓解类重叠问题.     

一种对于K-means算法的改进

数据聚类是一个功能强大的技术,它能够把数据特征相似的对象划分为一类,但是并不是所有的聚类算法的实现都能产生相同的聚类结果;并且K均值算法的结果很大程度上依赖它的初始中心的选择;提出了一种新颖的关于K均值初始中心选择的策略;该算法是基于反向最近邻(RNN)搜索,检索一个给定的数据集,其最近的邻居是一个给定的查询点中的所有点;使用这种方法计算初始聚类中心结果发现是非常接近聚类算法所需的迭代聚类中心;对提出的算法应用到K均值聚类中给予了证明;用几种流行的数据集的实验结果表明了该算法的优点。