雨水中溶解有机质的光谱学研究

利用紫外-可见吸收光谱(UV-Vis)和荧光激发-发射矩阵光谱(EEMs)技术研究了广州市番禺区大学城雨水中溶解有机质(DOM)的吸收和荧光等光谱特性.结果表明:不同气候特征的雨水DOM的吸收光谱随波长增加呈指数衰减,UV-Vis光谱的斜率指数S的变化表明不同季节DOM的相对分子量不同:夏季DOM平均相对分子量较高,而春季和冬季DOM相对分子量相对较低.雨水中DOM的EEMs光谱表明样品中存在3个类腐殖质峰:紫外类腐殖质峰A、海洋类腐殖质峰M和类蛋白(色氨酸)峰T,其中紫外类腐殖质峰A在雨水DOM中占主导作用.另外腐殖化指数(HIX)表明冬季雨水样品的腐殖化程度较高.     

孝义河枯、丰水期溶解有机物(DOM)的光谱特征

采用紫外-可见光谱和激发-发射矩阵光谱与平行因子分析相结合的方法，研究了孝义河溶解有机物(DOM)光谱特征和荧光成分的时空变化，分析了DOM与水质参数的关系.结果表明：枯水期发色团溶解有机物(CDOM)浓度、芳香性、分子相对质量和光化学反应活性显著高于丰水期(P<0.01),丰水期的腐殖化程度高于枯水期；模型共检出3种类腐殖质组分(C1,C2和C3)和1种类蛋白组分(C4),枯水期腐殖质成分和类蛋白成分来源于流域点源排放，丰水期蛋白质成分来源于点源，腐殖质成分受点源和面源共同影响；荧光溶解有机物(FDOM)组分与水质参数的相关性和回归分析表明其对关键水质指标(化学需氧量，COD)具有良好的预测能力.因此，DOM的紫外光谱参数和荧光组分可用于快速水质监测和污染源指示.     

基于离散型二项式系数组合模型的黄土湿陷性评估

为了快速精确地利用基本物性指标预测湿陷性黄土的湿陷性系数,基于多种数据挖掘方法提出了离散型二项式系数组合预测模型。首先,采用相关系数法和随机森林重要性指数法综合选取模型基本物性指标为饱和度、干密度、液性指数和天然含水量;然后,分别利用多元线性回归、BP神经网络、支持向量机回归（SVR）和随机森林（RF）回归对黄土湿陷性系数进行预测,并将预测结果进行组合,得到4种单一模型、2种传统组合模型和离散型二项式系数组合模型预测结果;最后,利用6种不同精度指标对上述7种预测模型展开精度分析。结果表明：组合预测模型精度整体高于单一预测模型,且提出的离散型二项式系数组合模型各精度指标均为最优,平均相对误差为3.43%。可见提出的离散型二项式系数组合模型可为湿陷性黄土地区的工程设计提供参考。     

烟丝提取物紫外-可见光谱预测烟叶烟碱含量

研究用80%乙醇为溶剂,测定烟叶乙醇提取物紫外-可见光谱,化学分析烟叶烟碱含量,利用紫外-可见光谱和烟叶烟碱化学测定值,建立烟叶烟碱含量预测模型.结果表明:模型预测准确率为97.79%.模型外部验证后,通过t检验,T=0.9098,在显著性水平α=0.05下,t0.05,29=2.05,Tt0.05,29,预测值和测定值间在统计学意义上无显著性差异,说明本方法不但操作简便,检测成本低,且具有较高的精密度,能快速、准确预测烟叶烟碱含量,为叶组研发带来便利.     

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.     

一种面向移动GIS的运动对象位置预测方法

提出一种基于GM(1,1)的灰预测模型,该模型不仅适用于满足线性函数关系的运动对象,而且能很好地支持自由运动对象,并在采样数据存在一定误差的情况下,可以很好地控制误差的传播,保持较高的预测精度.实验证明该模型相比于现有的线性预测模型具有更好的预测性能.     

基于参数优化神经网络的海底油气管道腐蚀泄漏预测

为有效预测海底管道因腐蚀导致的泄漏风险,提出了一种海底管道腐蚀泄漏预测模型,首先采用斯皮尔曼相关系数分析各影响因素间的相关性,随后基于随机森林袋外数据进行各因素的重要性排序,剔除掉相关性较高且重要性较小的因素,利用筛选出的数据建立前馈神经网络和随机森林回归预测模型,并利用粒子群算法对神经网络预测模型的权值、阈值进行了优化,构建粒子群优化下的神经网络预测模型。经分析结果表明：神经网络预测模型在5组随机模型训练中平均绝对误差(MAE)、均方误差(MSE)的平均值分别为1.59、 3.37,均高于随机森林回归预测模型,说明该模型误差较大,但决定系数(R2)较随机森林回归预测模型高0.13,因决定系数越接近于1,模型拟合越好,故随机森林回归预测模型较神经网络预测模型拟合度较差,长期预测误差较高,因此可采用粒子群算法对神经网络进行优化,优化后的模型MAE为0.79,MSE为0.7293,R2为0.9151,可见优化后的神经网络预测模型在保证精度的基础上提高了稳定性,预测效果更优。最后编制了集随机森林回归、神经网络及粒子群优化下的神经网络为一体的多模型管道腐蚀预测软件。为海底管道泄漏风险的精准预测以及高效控制提供了依据,在海洋油气运输安全方面具有重要意义。     

基于LSO-RF模型的阶跃型滑坡位移速率预测方法

针对阶跃型滑坡在预测其位移速率时存在精度不高的问题，以泉州市安溪县尧山村阶跃型滑坡为例开展相应研究.首先，基于斯皮尔曼相关系数和灰色关联度综合分析，选取预测模型的输入特征；其次搭建结合扩展窗口法的狮群优化(LSO)-随机森林(RF)模型，提出一种适用于阶跃型滑坡位移速率预测的新方法.结果表明：综合斯皮尔曼相关系数和灰色关联度结果的特征选择方法，能弥补各自的局限性，选出最适合预测模型的输入特征组合；经过对比分析，LSO-RF模型预测阶跃型滑坡位移速率精度较高，能解决常见模型在预测阶跃型滑坡位移速率上的不足，可为阶跃型滑坡位移速率的预测提供参考.     

基于随机森林的公路隧道CO气体浓度预测模型

汽车尾气的主要成分是CO气体,是公路隧道通风设计的一项重要参数。准确、快速地预测隧道内CO气体浓度,能够为隧道通风控制提供有力参考,有助于CO气体浓度的及时控制,对保障隧道内人员的健康、安全和隧道绿色节能十分必要。采用公路隧道实地监测CO气体浓度数据,建立了以监测点位置、交通量、车速、风速为输入特征的公路隧道CO气体浓度预测随机森林模型。通过整理3 300 m长隧道CO气体浓度数据,对比了CO气体浓度实测数据与模型预测值,验证了模型的预测精度。结果表明,基于随机森林建立的CO气体浓度预测模型具有良好的预测精度,能够准确地预测隧道内CO气体浓度,测试集的均方根误差(root mean square error, RMSE)和决定系数R²分别为0.497 4和0.943 7;该预测模型性能显著优于线性回归模型和支持向量机模型;预测模型能够推广应用于其他隧道的CO气体浓度预测,对应的RMSE和R²分别为0.909 5和0.729 5,可以在已知测点位置、交通量、车速、风速的情况下预判隧道内CO气体浓度,为隧道通风控制或安全预警提供数据参考;特征重要...     

基于随机森林优化的自组织神经网络算法

针对基于降维的神经网络分类器预测模型在分析过程中存在特征丢失, 并导致精度下降的问题， 提出一种基于随机森林算法优化的多层感知器(MLP)回归预测模型. 该优化模型通过在MLP回归模型网络的全连接层和逻辑回归层之间增加一个优化机制, 利用随机森林算法对隐藏层状态的优化实现改进, 从而解决了降维过程中神经网络丢失数据特征的问题. 在借贷客户信息数据集上的实验结果表明, 该模型在保证主要特征的同时大幅度提升了预测准确率, 证实该模型在特征工程中具有较高的实用性.     

基于地面高光谱数据鲜茶叶特征选择与品种识别

使用ASD Field3在武夷山实测的9种鲜茶叶数据,该数据经过预处理后,计算24种光谱指数,用于对9种茶叶的分类,用SVM-RFE对光谱反射率数据和光谱指数数据进行特征选择,最后用线性SVM和随机森林分类.检验SVM分类器的性能和SVM-RFE选择特征的适用性,其中SVM分类器在4个数据集中都达到了95%以上的分类精度.随机森林分类器在其中3个数据集达到90%以上的精度,一个70%的精度.研究表明SVM-RFE是一个稳定有效的特征选择算法,并且SVM的性能优于随机森林.     

陕西人口的组合预测研究

组合预测理论及建模技术对于信息不完备的复杂经济系统具有一定的实用性.针对人口系统的复杂性及非线性的特征,文章首先利用陕西省1978-2010人口数据,分别采用灰色模型、logstic模型、自回归模型及时间曲线拟合模型建立陕西人口的单项预测模型.其次,采用标准差法进行非负权重分配,建立了陕西省人口的组合预测模型.最后,应用该模型对未来10年的陕西人口数量进行了预测.结果表明,组合预测模型的精度高于单项预测模型.     

基于主成分分析协同随机森林算法的热连轧带钢宽度预测

为提高热连轧粗轧带钢生产过程中换钢种、换规格及换辊后的首块带钢宽度设定模型精度,本文提出一种基于主成分分析协同随机森林(PCA-RF)算法的宽度预测模型.采用主成分分析法对数据样本合理分析,通过计算特征值、主成分贡献度及累计贡献度进行特征选择.在PCA筛选的变量数据集上训练最佳随机森林宽度预测模型.同时,使用支持向量机回归(SVR)、K-最近邻(KNN)模型进行对比验证.通过实际应用表明,PCA-RF各道次宽度模型R-squared值控制在99.9%~1,且96%以上样本点预测误差在-5~5mm,从而证明该模型实现了换钢种、换规格及换辊后的首块钢宽度的高精度预测.     

基于改进灰色预测模型的电力需求预测研究

当建模序列具有随机振荡特征时灰色预测模型的模拟及预测精度较差,实际上序列越光滑模型的模拟精度就越高;本文通过改善建模序列的光滑性以提高灰色预测模型的模拟精度,研究了一种压缩随机振荡序列振幅的算法,推导了基于随机振荡序列的灰色预测模型^x(t)=Fβt-31-(-1)tE-T;最后应用该模型预测我国西部某城市的电力需求,并与其他灰色预测模型的模拟精度进行了比较(新模型的模拟精度为7%,其他模型的精度均为12%),表明新模型具有更好的模拟效果,研究成果对丰富与完善灰色预测理论体系,促进灰色模型与电力需求预测的对接,具有积极意义。     

有机磷杀螺增效剂在不同土壤中的吸附作用

有机磷杀螺增效剂可对日本血吸虫中间宿主钉螺有杀灭增效作用,其进入环境后可被土壤或其他生物吸附,对生态系统具有潜在的危害。测定和比较了16种有机磷杀螺增效剂在东北黑土及安庆宿县黄棕壤2种土壤中的有机碳吸附系数(KOC),应用碎片分子连接性指数(FMCIs)和线性溶剂化能参数(LSERs)对其进行了定量结构-性质相关(QSPR)分析,得到了几组预测效果较好的模型。由FMCIs得到的方程,具有较好的相关性,应用LSERs得到的方程,具有较少的描述符,且描述符具有一定的物理意义,预测模型的建立可为该类化学品生态风险评价提供基础数据。     

城市生活垃圾产量的变权重组合预测

基于预测显著增加的不确定性因素,在预测时采用单一模型进行预测通常难以达到较为理想的预测效果.选择作为中国东北城市的哈尔滨市为分析对象,以1992~2005年的数据为基础,将多元线性回归模型、GM(1,1)模型、三次指数平滑法这三种单项预测模型进行变权组合,预测哈尔滨市2006-2010年的生活垃圾产量.单一模型的局限性得到明显改善,有效地集结了更多的有用信息,组合预测模型的预测精度得到明显提高,改善了预测结果.     

基于3种模型的航线客流预测仿真

准确地预测航线的客流量,对于航空公司的运力安排、航线调整、规划发展都有着重要的作用.针对民航客流量预测具有诸多不确定性和数据不足的特点,基于某航空公司2010年—2017年北京—三亚航线每天的客流数据,运用了随机森林预测模型、支持向量机回归模型、神经网络模型对航线数据进行了数据拟合.经验证,3个模型的平均绝对误差分别为4. 18%、6. 87%、12. 38%,其中,随机森林预测模型精度最高,效果最佳,可以用于客流预测仿真.     

紫外-可见光去浊度反演水体叶绿素a含量

城市景观水体的叶绿素a含量可直接反映其水质。紫外-可见光谱方法可快速低廉反演叶绿素a的含量,但城市水体水深较浅、浊度较高,容易对该波段光谱产生干扰。采用实验室培养的螺旋藻水样和浊度水样的混合水样来模拟城市景观水体环境,并使用UV—2600分光光度计获取混合水样的吸光谱数据;对吸光谱数据分别建立一元线性回归模型、偏最小二乘算法(PLS)模型和BP神经网络模型,以寻找降低水体浊度干扰的办法,为水体水质评价提供可靠参考数据。结果显示,BP神经网络预测模型可以同时预测混合水样中叶绿素a的浓度和浊度的浓度值,模型预测值与样本测量值之间的R~2为0. 997 2,并且模型的预测误差在5%以内。去浊度反演水体叶绿素a含量的能力最高;偏最小二乘算法模型测量值与预测值的R2为0. 999 4,模型的预测误差小于4%,但该模型在预测叶绿素a浓度时不能同时预测浊度值,去浊度反演叶绿素a含量的能力次之;一元线性回归模型的去浊度反演叶绿素a含量的能力最差。     

基于高光谱的棉花中钾含量的预测研究

本研究以农一师十团试验田棉花为研究对象，通过野外调查取样和室内理化分析与光谱测试，研究了棉花钾素含量与光谱特征的关系．结果表明对原始反射率进行微分处理能提高模型的预测精度，在所有预测模型中，二阶微分模型的预测效果最好，由45个样本所得出的回归方程的相关系数达到-0．5994，达极显著水平，为所有回归方程中的最大值，通过对该模型检验，得出该模型的预测平均相对误差仅为8．40％。预测精度迭到91．6％，RMSE=0．279。     

针对城市道路拥堵的优化随机森林预测模型

为了及时对城市道路拥堵情况进行预测,缓解通行压力、降低能源损耗,通过一种结合Spark与阴阳对优化随机森林的模型预测城市道路交通拥堵情况,利用阴阳对优化算法对随机森林进行参数调优,选取决策树个数和分裂属性个数最优解,以此建立阴阳对优化随机森林(Yin-Yang-pair optimization random forest, YYPORF)城市道路拥堵情况预测模型,并通过Spark实现了YYPORF模型的并行化设计方案。结果表明,基于Spark的YYPORF准确率达到95.58%,较传统随机森林提高了3.17%;加速比达到2.83。可见,所提出的模型预测性能更优,可为大数据背景下城市智能交通管理提供可靠依据。