基于XGBoost的多种生理信号评估心理压力等级方法

基于生理信号客观评估心理压力状态成为目前的研究热点,但最佳评估算法有待进一步探索.本文选择心算任务诱发受试者的心理压力,采集了21位在校大学生的脑电、心电、皮肤电导、脉搏波4种生理信号.提取各生理信号时域和频域的多种特征,使用方差分析(ANOVA)、最大相关最小冗余(mRMR)、单个特征支持向量机(SVM)分类准确率、随机森林(RF)特征重要性、梯度上升决策树(GBDT)特征重要性、极端梯度提升(XGBoost)特征重要性6种特征选择方法筛选出有效特征,利用SVM、K近邻(KNN)、高斯朴素贝叶斯(GNB)、自适应提升算法(Adaboost)、GBDT、XGBoost 6种分类器对提取的特征进行分类.结果得出,GBDT特征筛选与XGBoost分类器的组合模型对心理压力的等级评估效果最佳.     

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。     

基于集成学习的物资采购价格辅助决策方法

电力所需物资种类繁多且物资价格的波动受到多种因素的影响,为预测当下价格走势,建立电缆价格预测模型,为电网公司提供招标底价的依据与合理采购意见,对收集得到的物资价格,利用动态时间规整方法确定物资的不含税单价滞后于原材料价格的时间,从而确定不含税单价、原材料价格、经济指标间的对应关系。影响物资价格变化的因素很多,利用皮尔逊系数和随机森林两种方法筛选得到关键特征。根据选定的关键特征和数据分别建立AdaBoost、 XGBoost(Extreme Gradient Boosting)、随机森林3种模型对物资价格进行预测。利用预测评价指标平均绝对百分比误差(MAPE:Mean Absolute Percentage Error)评估预测效果,结果表明利用随机森林筛选关键特征配合XGBoost模型进行预测的准确率最高。     

GBDT组合模型在股票预测中的应用

采用贡献度与相关性分析(correlation analysis)相结合的办法从目前最常用的244种股票技术指标中提取最优技术指标,进而利用梯度提升树(GBDT)算法对股票的趋势进行预测.对由贡献度、相关性分析与GBDT算法构成的组合模型(简称GBDT组合模型)进行实证分析,首次将GBDT算法应用于沪深300股票的预测.对由不同算法构成的组合模型的预测精度也进行比较分析.实验结果表明,GBDT组合模型在预测精度上优于线性回归组合模型及随机森林组合模型.     

基于随机森林的城市建筑火灾风险等级评估方法

为实现城市建筑火灾风险智能量化评估,并解决消防资源优化配置问题,提出一种基于随机森林算法的城市建筑火灾风险等级评估方法。该方法框架由评估模型构建、火灾风险等级确定、特征重要性分析三部分组成,首先,基于随机森林算法和城市火灾特征数据建立火灾风险分数评估模型,对火灾风险进行数值化评估;其次,结合城市火灾防控实际和风险分数,确定地块建筑的火灾风险等级,并挖掘风险等级与建筑物性质之间的关系;最后,在此基础上通过特征重要性(feature importance, FI)算法,对火灾风险因子进行分析,挖掘出高影响因子的火灾隐患特征,以指导消防管理人员提高消防检查效率。以美国迈尔斯堡的历史火灾数据作为实验数据,建立了该城市的火灾风险评估模型,对城市建筑的火灾风险等级进行了量化分析。在上述成果基础上,设计开发了交互式消防热点风险地图,以方便相关人员快速确定地块建筑火灾风险,并据此调整消防检查的策略以及人力物力资源的分配。     

攻击图和HMM结合的网络安全风险评估方法研究

为了解决传统网络安全风险评估不能有效评价网络安全风险动态变化的缺点,根据网络安全的特性,提出了攻击图和隐马尔可夫模型(HMM)相结合的网络安全风险评估方法.采用攻击图生成网络攻击路径,从复杂度和防御能力等方面量化攻击威胁等级,利用隐马尔可夫模型计算攻击路径的攻击成功率,结合网络资产的重要程度确定网络安全风险值.通过实例分析表明,该方法能够提高网络安全风险评估的准确性,能够有效地对网络安全状况进行分析,具有较高的实用性.     

基于指标选择和加权融合的无线传感器网络安全风险评估

为提高无线传感器网络安全风险评估的准确性, 提出一种基于指标选择和加权融合的无线传感器网络安全风险评估模型. 首先建立无线传感器网络安全风险评估的指标体系, 并采用灰色关联分析法选择一些对评估结果有重要贡献的指标; 然后根据关联度对重要的无线传感器网络安全风险评估指标进行加权, 采用支持向量机拟合无线传感器网络安全风险变化特点, 并引入粒子群优化算法优化支持向量机参数; 最后与其他模型进行对比测试, 测试结果表明, 该模型获得了比对比模型更优的无线传感器网络安全风险评估结果, 评估正确率超过95%, 且提升了无线传感器网络安全风险评估效率.     

基于指标选择和加权融合的无线传感器网络安全风险评估

为提高无线传感器网络安全风险评估的准确性, 提出一种基于指标选择和加权融合的无线传感器网络安全风险评估模型. 首先建立无线传感器网络安全风险评估的指标体系, 并采用灰色关联分析法选择一些对评估结果有重要贡献的指标; 然后根据关联度对重要的无线传感器网络安全风险评估指标进行加权, 采用支持向量机拟合无线传感器网络安全风险变化特点, 并引入粒子群优化算法优化支持向量机参数; 最后与其他模型进行对比测试, 测试结果表明, 该模型获得了比对比模型更优的无线传感器网络安全风险评估结果, 评估正确率超过95%, 且提升了无线传感器网络安全风险评估效率.     

基于XGBoost的新零售优惠券使用行为预测

为实现新零售优惠券的定向投放,提出了对用户优惠券使用行为预测的模型.该文采用XGBoost算法,突破了以TAM模型(技术接受模型)为基础解释个人优惠券使用意愿的传统方法,并基于口碑网的真实交易数据进行了特征提取和用户使用行为建模.在K折交叉验证之后通过变量重要性评分,确定了对消费者使用决策贡献度较高的特征,并与随机森林和GBDT(梯度提升决策树)算法进行了AUC(Area under curve)准确率的对比.该研究证明了基于XGBoost的集成学习算法在优惠券使用行为预测中的有效性,对新零售精准营销有重要的现实意义.     

基于多模型融合的互联网信贷个人信用评估方法

针对网络个人信用有效评分缺失的问题,分析了互联网信贷个人信用评估数据的特点,选用支持向量机、随机森林和XGBoost分别建立了信用预测模型,并对3种单一模型进行了投票加权融合. 基于互联网信贷数据的特点,在特征工程中对样本集特征进行了离散化、归一化和特征组合等处理. 为增加对比,对实验数据集进行了FICO评估核心Logistic回归分析. 实验结果表明:3种单一算法性能均优于Logistic回归,XGBoost表现优于支持向量机和随机森林模型,预测相对准确;投票融合模型的表现比单一模型更好,模型分辨能力更优秀,预测精度更高,更适用于互联网信贷个人信用评估.     

基于XGBoost模型的营养成分分析高血压预测方案

高血压是一种常见的慢性病，若能早发现、早采取措施可降低其引发并发症的风险。尽管高血压的产生与发展与诸多因素有关，但饮食被公认为影响高血压的主要因素之一。机器学习模型可以对疾病进行有效预测，并提供辅助治疗。笔者提出一种基于XGBoost的通过分析营养成分预测高血压的方案，该方案由数据转换、特征选择、数据清理与标准化、模型搭建、分类与评估5部分组成。实验结果表明，XGBoost在高血压预测中获得了0.859的F1分数且准确率超过85%,高于随机森林、支持向量机与人工神经网络。此外通过分析不同营养成分对高血压预测的影响因素，获得了影响高血压的前10个营养特征，大部分与医学结论相同，验证了模型的有效性。     

基于隐马尔科夫模型的网络安全风险评估方法

为了能实时准确地评估网络安全风险,提出一种基于隐马尔科夫模型的网络安全风险评估方法。该方法基于隐马尔科夫模型对目标网络进行建模,通过节点的直接风险和相关性引起的间接风险来量化节点的安全风险;考虑节点在网络中的重要性程度,结合节点安全风险,量化目标网络的整体安全风险。通过实验对所提方法进行验证。实验结果表明：该方法能够对由节点相关性和节点重要性程度所带来的网络安全风险进行量化,使得网络安全风险评估结果更加准确、可信。与传统的网络安全风险评估方法相比,该方法能够更加及时地发现网络中的异常风险变化情况,为网络安全防御策略的及时调整提供依据。     

基于协议树分析的概率风险评估方法研究

本文采用概率风险分析方法,对网络协议所引发的风险进行定量化分析。通过协议树模型对网络各协议进行分层处理,并建立了网络协议风险评估定量化评估模型。此模型的提出为网络安全风险评估提供了一种新思路和新的计算方法。     

热镀锌钢卷力学性能GBDT预报模型

针对热镀锌钢卷力学性能预报建模条件属性选取难、预报精度不足的问题,研究了热镀锌钢卷力学性能梯度提升树(gradient boosting decision tree,GBDT)预报模型。利用互信息差算法综合评估工艺参数、化学成分和钢卷尺寸参数等条件属性的相对重要性以及属性之间冗余性,进行模型条件属性筛选;采用同分布原理进行样本划分,结合网格搜索法和交叉验证法优化模型参数,建立力学性能GBDT预报模型。将GBDT模型预报结果与随机森林(random forest,RF)、AdaBoost算法和BP神经网络的预报结果进行比较,比较表明GBDT模型优于其他模型,90%的数据样本预测的绝对误差小于14.24 MPa,94.6%的数据样本相对误差在6%范围内,具有更高的预测精度。     

基于协议树分析的概率风险评估方法研究

本文采用概率风险分析方法,对网络协议所引发的风险进行定量化分析.通过协议树模型对网络各协议进行分层处理,并建立了网络协议风险评估定量化评估模型.此模型的提出为网络安全风险评估提供了一种新思路和新的计算方法.     

基于XGBoost模型的安徽省土壤pH空间建模

土壤pH是土壤的基本属性之一,对土壤环境管理有重要作用。以安徽省为研究区域,选用气候、地形、生物等17个相关环境变量,利用XGBoost和随机森林(random forest, RF)模型建立安徽省土壤pH空间预测模型,对比两模型的预测精度,并估算了两种制图结果的不确定性。结果表明：与随机森林模型相比,XGBoost模型对安徽省土壤pH的预测精度更高。XGBoost模型中eta、max＿depth和nrounds对于模型的精度均具有一定的影响,eta的变化对于XGBoost模型精度影响最大。年均降水量(mean annual precipitation, MAP)、纬度(latitude,记为Y)、多尺度谷底平坦度(multiresolution index of valley bottom flatness, MRVBF)、年均温(mean annual temperature, MAT)、多尺度脊顶平坦度(multiresolution index of the ridge top flatness, MRRTF)、增强植被指数(enhanced vegetation index,...     

考虑环境因素的电动汽车充电站实时负荷预测模型

为了减少电动汽车大规模集成到电网造成的不利影响,提出了一种能够实现充电站充电负荷精准预测的方法。该方法利用LightGBM（light gradient boosting machine）与XGBoost（eXtreme gradient boosting）模型构建线下?线上组合模型。考虑充电负荷、时间、温度、天气等历史数据,利用LightGBM模型初步建立充电负荷线下预测模型;基于XGBoost模型,以线下预测模型输出负荷和实际负荷的误差为优化目标,实时变化的交通流量为协变量,建立线上预测模型,并对初步预测结果进行误差修正。某市实际充电站预测结果表明,相比于随机森林（RF）、LightGBM模型、XGBoost模型、多层感知机（MLP）以及LightGBM?RF组合模型,该组合模型具有更高的预测精度,同时可以准确预测不同充电站的实时充电负荷。     

基于XGBoost的深圳二手房价格预测

为了更加精准地预测二手房价格,该文以2019年深圳市二手房的真实交易数据为研究对象,利用线性回归模型、随机森林模型和XGBoost模型并加以POI计算来预测二手房价格.首先,对数据集进行清洗并可视化展示.其次,运用百度地图进行POI处理扩充数据集,使得数据集接近现实情况.接着,按照数据特征对房价影响的重要程度进行了排序,选取重要的特征来训练模型.最后,通过数值结果分析,XGBoost模型对二手房的房价评估效果最好,尤其是经过POI处理的数据集和XGBoost模型的这种组合,对于深圳市的二手房价格具有极好的预测效果.     

道路交通网络安全风险辨识研究进展

道路交通网络安全风险辨识是交通安全管理的重要环节.从多源异构交通信息采集与处理、交通动态演化规律辨识与态势分析、交通风险评估及预警3个层面对道路网络安全风险辨识领域的研究方法、模型及存在不足进行概括,并进行了实地调查.总结发现:多源交通信息采集主要以2种或3种交通传感器数据为主,信息覆盖面低;交通态势发展分析仍局限在短时交通状态预测和估计上,缺少对广域时间尺度上的研究;多数安全风险评估建立在事故数据分析的基础上,对事故前的风险点辨识及定量评估有待提升.另外,国内城市道路交通结构复杂,机非冲突、人非冲突现象普遍存在,一定程度上阻碍了交通安全风险的有效辨识.最后,结合国内外最新技术提出了未来的研究发展方向.     

基于机器学习高通量筛选吸附甲烷的金属有机框架材料

采用决策树（DT）模型及其衍生的随机森林（RF）模型、极端随机树（ET）模型和梯度提升树（GBDT）模型，对用于甲烷吸附的金属有机框架材料（MOFs）进行了高通量的计算筛选。利用1 800种材料的特征向量数据，计算了特征向量之间的相关性并进行重要度分析，发现材料的结构特征与化学信息特征的相关性不大，但是结构特征的重要度较高。将数据库中的1 260种材料作为训练集并使用上述4种机器学习模型进行训练，再将剩余的540种材料作为测试集对模型的筛选结果进行比较和评估。接收者操作特征（ROC）曲线和查准率-查全率（PR）曲线结果表明，GBDT模型自身稳定性强且预测结果精度高，因而成为筛选吸附甲烷的高性能金属有机框架材料的最佳模型。针对RF模型和GBDT模型进行参数优化，发现协调单个决策树的个数和决策树节点的分裂特征数量能够有效改善RF模型的性能，而调节回归树的学习速率和迭代次数可有效改善GBDT模型性能。最后基于540种材料的测试集，利用GBDT模型筛选出前20种高性能吸附材料，分析了它们的主要特征向量与甲烷吸附量之间的关系。