基于集成学习的用户信用卡违约预测模型研究

用户信用卡违约预测任务有助于银行等金融机构平衡经济风险与经济利益,对于银行信用卡业务的风险管控具有重要作用。针对用户信用卡违约预测问题,提出了一种基于集成学习的预测模型,有异于传统集成学习中的弱学习器。该模型采用集成模型和神经网络模型作为基学习器,从而提升模型整体的预测效果。首先通过预处理提取用户信用卡数据集的相关特征,然后分别采用优化后的决策树、随机森林、GBDT、XGBoost、CatBoost和SPE六种机器学习模型与神经网络模型进行并行训练和预测,最后通过加权软投票法集成基学习器结果并输出最终预测结果。结果表明,相对于基学习器,该模型在各项评估指标上均有所提升,且拥有更好的模型泛化能力。     

基于BP神经网络的食品安全评估系统的开发

建立了食品安全风险评估预警模型以及基于BP的食品中污染物残留量的预测模型。该模型可以同时用于符合性检验、检测性检验以及多重性检测,可以依据某地区某人的饮食情况,对食品安全事故做出及时的预警。利用VB程序,设计了食品安全预警和评估软件,大大提高了模型的可操作性,依据不同区域的食物摄入量,预警出客观的食品污染数据。     

基于集成学习的智能电网主机恶意软件检测方法

目前智能电网恶意软件检测系统主要基于特征库对已知恶意软件进行检测,不适用检测恶意软件未知变种.而现有基于机器学习的恶意软件未知变种检测方法的准确性和鲁棒性有待进一步提升,不足以满足智能电网实际需要.因此,提出一种基于集成学习的恶意软件未知变种检测方法,利用多源数据集和多种机器学习方法交叉构建单一检测模型,并设计一种基于Logistic的集成学习方法,构建恶意软件未知变种集成检测模型.实验对比分析表明,构建的集成检测模型相较于传统单一检测模型在准确性和鲁棒性方面有着显著提升.     

广义误差分布下CVaR模型的股市风险研究

以沪深300指数数据为样本,首先利用广义误差分布与正态分布假定下的GARCH模型对我国股票市场收益率波动特征进行定量分析,然后运用CVaR模型对股票市场的风险进行实证研究,并与基于VaR模型的风险测度值进行比较.研究结果表明,广义误差分布假定下的GARCH模型能够更好地反映出我国股票指数收益率尖峰厚尾的特性,而使用CVaR模型则有利于提高金融市场风险测度的准确性.     

基于融合Dropout与注意力机制的LSTM-GRU车辆轨迹预测

在智能驾驶环境的车辆轨迹预测环节,为更好地获取环境车辆的轨迹时序特征,在长短期记忆神经网络（LSTM）基础上,嵌入Dropout层以增强网络泛化性,引入注意力机制予以预测效果影响较大的时序数据更大权重从而提高预测结果的可靠性,且将改进的LSTM模型与门控循环单元GRU模型结合,构建LSTM-GRU预测模型以进一步提升环境车辆轨迹预测的准确性.在此基础上,使用NGSIM公开数据集对模型进行训练、验证和测试.研究结果表明,融合了Dropout和注意力机制的LSTM-GRU神经网络轨迹预测模型相较标准的LSTM长短期记忆网络以及GRU门控循环单元,在预测较长时序的车辆轨迹上具有优势,提高了轨迹预测的准确性,降低了实际轨迹和预测轨迹之间的均方根误差和平均绝对误差.     

提升我区食品检验检测水平的方法探究

食品检验检测机构是为保障食品安全提供科学、权威数据的部门,检验检测机构必须不断地提升食品质量安全检验检测技术水平,确保检验检测结果的科学性、准确性、公正性和权威性.目前,我区食品检验检测主要由自治区产品质量监首检验所承担,自治区产品质量监督检验所已通过国家资质认证,但存在技术水落后、设备利用率低、检测项目少等问题,如何提升食品检验检测技术水平,为食品安全提供技术支撑和保障显得尤为重要.本文针对西藏自治区产品质量监督检验所的实际,就如何提升我区食品检验检测水平提出一些建议和意见.     

基于Inception卷积神经网络的城市快速路行程速度短时预测

为了高效捕捉城市快速路复杂的交通拥堵特征,提升短时行程速度预测的准确性,以卷积神经网络为基础,结合Inception模块,构建行程速度短时预测模型。将行程速度信息按照时空关联关系组织为二维数据矩阵,以图像为特征学习对象,自动提取交通数据高维特征并学习多粒度复杂交通拥堵模式,通过系统的网络设计与测试训练得到模型最优结构参数和优化参数,结合回归分析方法与梯度幅度相似性偏差指标,综合评价模型性能。实证结果表明,模型提取行程速度数据时序特征和时空演化特征能力较强,预测准确性较高,可进一步应用于其他交通参数的短时预测。     

融合多源数据的股指预测研究

金融市场中股票价格的变动受到多方面因素的影响,如何更好地利用更多的大数据为投资决策进行服务始终是各方研究的重点。本研究以沪深300指数为研究对象,采用图像化处理的方式融合财经新闻、市场交易数据和技术指标等多源异构数据,建立了卷积神经网络模型,对未来不同时间长度的股指图像数据进行涨跌预测。通过对模型结构的稳健性检验,使用60天融合新闻情绪、技术指标与股价三类图片的三层图片预测模型,预测股指未来5天后的涨跌样本外准确率可达65.2%。融合多源数据后的图片数据能够丰富单一的股价数据,从而提升了模型的预测准确率。通过与传统的线形模型、LSTM循环神经网络模型及其他经典卷积神经网络模型比较,本研究构建的预测模型在样本外预测效果最佳,表明本研究构建的基于多源异构数据的图片预测模型在股指预测中具有可行性和一定优势。     

高额欠费风险用户预测模型的建立与应用

本文提出了一种高额欠费风险用户预测模型，通过该模型可以从海量数据中筛选出欠费高危用户。该模型可明显提升监控用户的监控必要性，与实时计费欠费风险控制系统结合，可有效防止恶意欠费导致的收入流失，降低企业经营风险。     

基于机器学习算法的森林火灾风险评估研究

【目的】利用森林火灾风险图可提高有效巡护,优化有限防火资源,基于地形、人类活动、植被和气象因素数据,采用基于机器学习算法构建了林火发生预测模型,对林火防护提供一定的参考。【方法】以安徽省滁州韭山为研究对象,提取林区的坡度、海拔、坡向、到居住点的距离、到道路的距离、地形湿度指数、归一化植被指数和温度驱动因素,评估火灾发生驱动因子,将潜在驱动因子分成地形、人类活动、植被与气象因素等4类;使用哨兵火灾产品,提取林区内的历史火点,然后采用机器学习算法建立林火发生的预测模型;最后利用混淆矩阵评估指标和接受者操作特征曲线(ROC)进行精度评价。【结果】植被、温度和到道路的距离是研究区域火灾发生的主要驱动因素。两种模型的ROC曲线表明,逻辑回归预测模型准确度为71.07%,曲线下面积(AUC)值为0.717 2;随机森林模型具有较好的准确性,准确度达到84.91%,曲线下面积值为0.850 1。【结论】随机森林模型表现出比逻辑回归模型更好的预测能力。森林火灾风险图表明,随机森林模型预测下,研究区11.91%(29.36 km²)位于高、极高风险级别。森林火灾风险图可有效协助林火...     

丹麦食品安全风险治理政策演变研究:启示与借鉴

自新《食品安全法》修订以来，虽然我国食品安全风险治理总体形势有所改善，但仍处于管理向治理转型的过渡期，食品安全事件依旧频繁发生，食品安全风险治理机制仍需完善。本文选取丹麦食品安全风险治理政策作为研究对象，分析其主要食品安全风险治理政策的演变，探究其对中国食品安全风险治理政策制定的启示。研究发现，丹麦政府政府能够审时度势把握住改革的契机，逐步实行了官方抽查为主的“笑脸”政策；企业积极配合政府的检查政策，实行危险分析关键控制点制度发挥其自我约束作用；农业部门致力于从源头处解决问题，健全和完善家庭农场主制，大力发展有机农业，实现了对食品生产原料安全的严格把关。     

基于ARMA与BP神经网络模型的产品质量安全风险预测

主要通过对产品伤害人数的预测来表征产品质量安全风险。依据产品伤害人数的时间序列数据,建立较为稳定的ARMA模型和BP神经网络模型对产品伤害人数做出了科学的预测;并对两种预测方法进行了实证结果比较与分析,为管控产品质量安全风险提供方法支持。     

基于层次分析的长短记忆网络(AHP-LSTM)的食品安全网络舆情预警模型

随着互联网技术的迅猛发展,网络已成为社会舆情的重要阵地,而网络舆情是食品风险预警的一个方向。传统舆情预警模型在指标体系的基础上结合反向传播神经网络（back propagation neural network,BP）等神经网络模型进行分析,存在运行不稳定、预测精度不高等问题。为了解决这些问题,采用具有较高预测精度的长短记忆（long short-term memory,LSTM）网络算法,在网络事件指标体系的基础上引入层次分析法（analytic hierarchy process,AHP）并融合食品安全事件指标数据,将融合结果作为LSTM的期望输出,以建立更为稳定、精度更高的风险预警模型AHP-LSTM。实验结果表明,与传统模型相比,AHP-LSTM对于事件指标数据具有较强的处理能力和较高的预警精度。因此构建基于AHP-LSTM的食品安全事件预警方法,可为相关部门有效防范和管理食品安全网络事件提供一定的理论依据和数据支撑。     

基于风险的船体结构腐蚀优化检测及维修规划

提出了基于风险的船体结构腐蚀检测及维修的优化模型．最优的检测及维修是在保证结构在设计工作寿命期内的可靠指标大于最低可靠指标的基础上，使得结构生命周期内总的期望费用最小．建立了检测、维修及失效事件的安全余量方程．在此基础上，以受点腐蚀损伤的船体构件为例，分析了基于风险的最优检测及维修策略的制定过程．结果表明，最优的检测是在结构的可靠指标低于最低可靠指标前就对结构进行检测．基于风险的优化检测及维修方法能够在风险与成本之间达到一种平衡，它在选择最优的检测及维修策略时是有效的．     

建筑施工项目安全风险评价体系构建及应用

为了更加科学地引导建筑施工项目实现安全生产,提出一种基于结构效应的风险评价指标体系。以建筑施工项目为研究对象,分析以“人-机-环”为主导思想的现有评价指标体系的不足,然后应用结构效应的概念理论,从项目管理行为风险和项目施工状态风险两个方面,构建基于结构效应的风险评价模型,提出建筑施工项目安全风险评价指标体系,包括2个一级指标,12个二级指标,18个三级指标,最后构建基于AHP－DEMATEL的评价模型并进行实例应用。结果表明：一级指标中项目管理行为的综合影响度最高;二级指标中施工单位管理行为和高处作业及防护综合影响度较高,评价结果与实际情况下建筑施工项目安全风险管理情况相符。     

基于云计算的食品安全监理研究

利用云计算技术,从建立食品安全监管体系的角度出发,构建了基于云计算的食品安全监理架构.通过对引起食品安全的风险因素及可能性的分析研究,建立了食品安全风险评估模型.通过对此模型的建模分析,形成了一个有效的食品安全监理机制,从而达到降低食品安全事故发生概率的目的.     

基于模糊综合评价的厦门港航道危险度评估

针对厦门港港口航道的交通安全状况,利用模糊综合评判法对该航道进行危险度的判断.并结合厦门航道的实际情况,将评价系统分为若干个指标,在船舶AIS 数据挖掘研究的基础上,建立航道的危险度评估系统,对厦门港口的三段航道进行危险度评判.实践证明该评估系统是可行的     

基于灰色支持向量机的矿山安全事故预测研究

为了提高矿山安全事故预测的可靠性,在灰色预测模型GM(1,1)和支持向量机SVM的基础上,提出了矿山安全事故次数的灰色支持向量机G-SVM的组合预测模型.首先采用GM(1,1)进行数据趋势预测,然后对于残差序列采用支持向量机预测进行捕获,最后将两种模型的结果进行融合,得到组合预测结果.结果表明,组合模型比单一的GM(1,1)模型和SVM模型具有更高的预测精度.     

基于大数据的服刑人员危险性预测

在对监狱服刑人员再犯罪预测与危险性评估应用现状进行分析的基础上,提出了一种基于大数据的监狱服刑人员危险性识别与预测架构体系.在该体系的模型层,针对不同的价值密度、不同的数据类型,重点对架构中的统计模型、离群点检测模型、集成分类模型在服刑人员危险性识别与预测中的应用算法进行了描述,尤其是使用R软件包实验了服刑人员危险性集成分类识别与预测,并给出了分类预测误差.基于大数据的服刑人员危险性识别与预测体系可实现对服刑人员危险性的个性化、精准化预警,为大数据时代监狱的监管安全提供了可靠保障.     

基于粒子群算法的天气滚动预报集成技术

针对集成预报的权重分布法,采用具有全局寻优特点的粒子群算法优化其权重系数,以更好地集中各种预报模式的优势.以天津地区天气预报为实例,建立基于粒子群算法的集成预报模型,实现多种预报模式的集成处理,结果表明该方法对于短时天气预报具有较好的准确度.