浅谈大学生不良品行的预测方法及转化方式

近年来，大学生中出现的不良品行呈上升趋势，如何进行预测和转化，已成为人们普遍关注的问题。文章从心理学、概率统计学、行为科学等方面对此问题进行了研究，提出了感知分析法、经验判断法、刺激反应分析法对大学生不良品行进行预测和“因材施教”方式、循序渐进方式、多方配合方式对不良品行大学生进行转化的观点。  

钢丝绳抽油系统的行为预测

对钢丝绳连续抽油杆采油系统的行为预测技术进行了研究,指出在钢丝绳进行过预拉及锻打工艺处理后,该系统的行为预测可按有杆抽油系统的预测方法进行.给出了该采油系统的行为预测模型.通过实例分析,指出下部加重杆的配置原则是在确保下行程正常的前提下,尽可能采用大直径加重杆,以减少钢杆数量,提高作业效率;而且在这种情况下泵的超行程易于形成,在产量、节能及减小系统载荷等方面均处于较优工作状况;避免使用小杆径加重杆,从而减少钢杆根数.  

云环境下基于贝叶斯网络的用户操作文档的行为预测

通过收集、整理、分析云环境下用户操作文档行为的记录，建立用户操作文档行为模型，使用贝叶斯网络结构学习算法推理计算出文档操作的潜在风险系数。实验结果表明，贝叶斯网络能够有效地预测用户操作文档的风险，为云环境中文档的安全提供了一种预警机制，提高了文档的安全性。  

基于发布订阅系统的用户行为预测模型

基于iLBS系统中SP服务器的发布/订阅(pub/sub)中间件技术,提出借助于贝叶斯网络来预测用户行为的一种新颖的pub/sub模型(UBPM).新模式不仅以用户目前所在位置作为通告的唯一标准,而且考虑了用户环境信息中前后台信息的同步,并使用贝叶斯网络对移动用户的行为做出预测.因此,有效地解决了传统pub/sub系统中病态和冗余消息通告的问题,并提高了消息的精确性.实验结果表明相对于现有预测模型,UBPM预测模型更加有效.  

基于马尔科夫模型和贝叶斯定理的Web用户浏览行为预测模型

对用户的Web浏览行为进行分析，既可以使用户减少等待时间，同时也能减轻网络负载.依据Web网站的层次结构特点，首先设计了基于Hash表的反向索引结构来提高数据的预处理速度；在此基础上，利用分层思想构建了基于马尔科夫模型和贝叶斯定理的Web用户浏览行为预测模型.给出了模型的设计思想、相关定义、模型框架以及模型中所涉及的关键构建方法等.最后，对模型进行了实验分析，结果表明在适当的预测准确率前提下，模型能够有效减少在预测时所需的候选网页数量，并大幅提升预测效率.  

不同抽油机井系统效率计算模型研究与节能效果

为降低油井生产能耗和提高系统效率,油田应用了多种新型节能抽油机,但缺乏节能抽油机特性与节能效果及其选型理论的研究。为此,基于常规游梁式抽油机、异相型抽油机、调径变矩抽油机、异型抽油机和皮带式抽油机的工作动态特性,建立了不同抽油机的油井地面效率计算模型,并运用抽油杆柱纵向振动的一维有阻尼波动方程,以悬点运动规律和井下泵的受力状况为边界条件,建立了抽油机井地面功图与泵功图的计算模型;井下举升效率和系统效率计算模型。研究不同抽油机井的系统效率和节电率,分析了不同井液黏度和不同下泵深度对抽油机井系统效率的影响。结果表明,与常规游梁式抽油机相比较,其它四种抽油机都能达到提高系统效率和节电节能的目的,其中皮带式抽油机的系统效率为最高,相对于常规游梁式抽油机井提高9.06%,节电率为22.36%;随着井液黏度的增大,油井生产系统效率均降低,皮带式抽油机井的下降幅度较小,适合于稠油井的应用;抽油机井存在油井生产系统效率最高的合理下泵深度(或合理沉没度)。  

数据网格中基于预测访问代价的作业调度算法

为解决数据网格中数据密集型作业的有效调度问题,提出了一种考虑等待队列中的作业潜在行为的基于访问代价的作业调度算法.分析了等待队列中的作业潜在行为的特点和作业访问代价的影响因素,给出了一个基于预测访问代价的作业调度算法.在OptorSim中的实验结果表明,该方法在作业平均处理时间和副本复制次数方面优于传统基于访问代价算法.  

基于遗传算法优化支持向量机的大坝安全性态预测模型

为提高支持向量机对大坝安全性态的预测效果，提出基于遗传算法优化的GA-SVM大坝安全性态预测模型，以k-CV验证误差最小作为优化目标，引入遗传算法对支持向量机的惩罚参数c和核函数参数g进行寻优。模型以影响因子作为输入，以效应量作为输出，采用训练样本对支持向量机进行训练，并使用训练好的模型预测效应量。根据概率统计理论中的3σ准则，建立大坝安全性态三级指标和判别准则。以某大型水库大坝为例，建立该大坝的GA-SVM模型，并与SVM模型和逐步回归模型进行了对比验证。预测结果表明，GA-SVM模型渗压预测值与实测值最接近，预测精度较SVM模型和逐步回归模型提高了约3倍。  

基于B-S架构与KNN算法的自主学习交流平台设计

开发一套基于B-S架构的自主学习交流平台，为用户创造一个友好的学习交流环境。平台采用Java语言开发，通过MySql5.7对数据进行存储，依托Tomcat7.0服务器发布，最终通过浏览器展现给用户。开发过程中引入了KNN算法，可对乱填信息注册平台的用户有效拦截过滤，自主预测平台中用户的年龄结构、热门话题等信息，收集热门话题创建学习兴趣小组，并通过用户对学习资源的评价等行为的分析，对表现较好的用户给予更优质的服务与优惠，从而更好地提高平台的质量。  

基于二次组合的特征工程与XGBoost模型的用户行为预测

特征构造的难题在数据挖掘过程中一直存在,传统固化的特征工程对于业务场景千变万化的数据挖掘任务所带来的效益十分有限,因此解决特征工程的特征构造问题已经成为数据挖掘的瓶颈之一;尤其在机器学习算法快速发展的情况下,特征逐渐成为模型中急需重视的部分。基于电商平台的用户行为数据,在原有特征群的基础上提出了二次组合统计特征的构建方法。利用二次交叉衍生出丰富而又切合业务场景的特征群,同时结合两种滑动窗口的方法,分别是定长滑动窗口获取更多的训练样本,变长滑动窗口获取具有时间权重的训练特征,以此来最大限度地还原出用户真实的行为习惯。最后,使用不同的特征组合结合降维的方法建立对照检验模型;并利用线性的逻辑回归模型、线性支持向量机以及树模型极端随机森林与XGBoost对模型进行交叉验证。结果表明,组合特征在树模型的算法中得到了非常好的表达效果;而且无论在线性模型还是树模型中衍生特征群模型的F1值都优于基础特征群。