基于增量式随机森林的燃气负荷预测方法

随着智能燃气网概念的普及和燃气智能表的发展,燃气负荷数据量呈指数级增长,燃气负荷预测面临新的挑战,传统的基于离线批量学习的数据预测方法已无法满足大数据量的实时数据预测需求。针对燃气负荷数据增量到达的预测场景,提出了一种增量式的随机森林回归(Incremental Random Forest Regression,IRFR)算法。该算法将一定量的样本存储在叶节点,通过衡量样本集变异系数来控制叶节点分裂;针对大数据量的情况,设计了样本丢弃策略来控制内存空间。在对上海市燃气负荷数据进行特征选择、提取并建模后,将IRFR算法应用于燃气负荷预测。实验结果表明,IRFR算法相比于传统的随机森林算法具有相当的准确率,同时所需训练时间较短,更适用于大数据量的增量学习场景。     

一种提高错误定位效率的测试用例选择方法

为提高错误定位的效率,提出了多种测试用例约简与选择的方法,然而,过度的约简与不适的选择造成了部分测试信息丢失,引起了错误定位有效性的损失。本文提出了一种相似测试用例选择方法,用以约简测试集。该方法能消除偶然测试用例对错误定位准确性造成的偏差,通过为每个失败测试用例选择执行轨迹与其相似的成功测试用例的方式,最大限度地保留测试的全部信息;基于选择出的测试用例信息,利用已有的错误定位方法输出程序语句的可疑值列表。以Siemens程序集作为实验对象,证明了本文测试用例选择方法能显著提高错误定位的有效性。     

太阳微波爆发与质子事件警报

本文对1966—1973年期间的40个9.4GH_z(λ=3.2cm)太阳微波射电爆发与太阳质子发射之间的关系进行了统计研究。 考察了太阳微波爆发的八个参量对于预报伴随的质子发射强度的效能,结果表明能量参数比时间参数和流量密度参数要好。用时间参数(包括有效持续期T_M)预言的质子强度,对于渐升渐降型爆发,要比实际值高。而流量密度参数,诸如峰值流量密度Smax,对于脉冲型爆发来说,不是很好的指示因子。但是,如果超过某一时间阈值,例如T_(1/2)>2分钟,则在平均流量密度(?)与太阳质子流量密度I_P之间有着紧密的相关,相关系数约为0.8。     

一种基于Petri的服务组合测试模型和分析方法

测试用例选择是服务组合测试的重要内容,将直接影响服务测试的效率和正确性。采用Petri网分别对基本服务、组件和测试用例等组成部分建立形式化模型,进行形成整个服务组合的测试模型。基于模型的状态空间分析测试用例的选择和实施。借助Petri网的操作语义及相关理论,分析了该方法的有效性及正确性。具体实例结果表明:该方法能有效地简化服务组合的测试过程,有助于提高测试的质量和效率。     

一种基于Petri网的服务组合流程分析方法

虽然业务流程执行语言(BPEL)有很多特征使它适合组合流程的描述,但它缺乏形式化语义,从而不能对组合流程进行严格的分析和验证。本文提出了一种基于Petri网的BPEL语言所对应的组合流程分析方法。应用Petri网来描述BPEL所定义的组合流程,描述组合流程的基本活动及它们之间关系,进而分析了组合流程结构上的合理性。通过实例网的构建,给出了流程可组合性的判定定理,并提出减少服务搜索空间的算法。最后,应用具体实例模拟组合流程的分析过程,展示了该方法的有效性。     

基于Petri网的嵌入式系统失效模型与分析

针对嵌入式系统的特点,提出一种基于Petri网的嵌入式系统失效模型与分析方法。依据嵌入式系统失效需求,采用Petri网建立嵌入式系统的形式化描述语言,并对嵌入式系统中的基本元素,如任务、资源、传感器、执行器等进行描述。构造任务间基本关系、任务与设备间交互的模型,并利用组合规则将这些模型动态地集成为一个完整的嵌入式系统失...     

燃气客服热线的中文文本情感分析

提出了一种基于TF-IDF的均值Word2vec模型和有监督的机器学习方法的燃气客服热线的中文文本情感分析方法。首先,采用Word2vec模型训练出文本中每个词语的词向量及TF-IDF算法计算文本中每个词语的权重,并对词语的词向量进行加权处理。其次,将加权后的词向量对应维度的值进行累加并求均值作为该文本的向量,即文本的特征。最后,对文本的特征使用有监督的机器学习方法进行训练和预测,以实现文本的情感分析。实验结果表明,该方法获得了较高的分类准确率并能有效地进行情感分析。     

一种基于Petri网的面向方面的用例建模方法

对传统的用例建模方法进行扩展,并针对用例描述的文本语言中经常出现的二义性、冲突以及遗漏信息的问题,提出一种基于Petri网的面向方面的用例建模方法。构建了从面向方面用例模型到面向方面Petri网模型的映射规则,引入面向方面的形式化的建模与分析技术,并利用时态逻辑检验织入时机的正确性。最后给出实例和分析,验证了该方法的有效性。     

基于模拟退火遗传算法的云资源调度方法

代理云是为用户从不同的云提供商中发现和挑选合适的云计算服务。随着应用系统的规模和复杂度的增加,如何选择最优的云服务,并在多个云服务提供商分散部署应用,有效地缓解供应商锁定问题成为代理云所面临的难题。本文提出了一种基于模拟退火遗传算法的云资源调度方法,主要解决在代理云系统上搜索满足应用服务质量(QoS)需求资源的问题。实验结果表明,本文算法相比传统遗传算法具有较快的收敛速度,在不影响解的精度的前提下,提高了算法效率。