基于特征选择及机器学习的犯罪预测方法综述

基于警务数据和时空数据构建犯罪预测模型,利用机器学习手段进行案事件预测,在国家安全稳定领域具有重要的意义。犯罪预测涉及三个主要方面:特征选择与处理、预测模型和地理信息可视化。分析了犯罪预测理论与方法的基本思想,在探索犯罪的生成机理和演化规律基础上,对经验模型和时空模型研究成果进行了综述。在此基础上,对根据不同预测特征选取最优算法的策略进行了讨论,同时对比简述了各类算法的特点,并对现存问题和未来研究方向进行了探讨。     

大数据背景下的犯罪预测与预防——基于犯罪预测分析模型的应用及构建

在大数据背景下,执法机构使用数据分析和建模技术来应对和预防犯罪比以往任何时候都重要。在阐述预测模型概念及类别的基础上,探讨了犯罪预测分析模型的应用领域,详细介绍了常见的预测建模技术。     

基于机器学习的类型推理方法综述

类型推理是一种轻量级的形式化方法,通过对程序变量和语句的类型这些关键信息进行推理,可以更好地理解程序行为.传统的类型推理方法依赖于语法规则与类型推演规则,然而,随着软件技术的发展,在动态语言等新的软件应用场景中,传统的类型推理方法在缺乏运行时信息的时候无法在静态对类型进行推理.针对这些问题,近年来出现了很多基于机器学习的类型推理的方法.基于机器学习的方法,可以利用已有的动态类型信息,对新程序的类型进行静态的类型推理.文章系统地总结了各种基于机器学习进行类型推理的方法,总结其特点和存在的问题,并讨论了未来可能的研究方向.     

基于微服务与机器学习的煤矿安全监测系统

煤矿安全监测监控系统种类繁多、架构不一、信息不共享、功能无互助、监测数据难以得到有效利用,煤矿安全生产缺少可靠的数据支撑。为此,设计了一种基于微服务架构的安全监测系统,将信息管理与自动监测各业务系统统一,构建成一个灵活、稳健、高效的系统平台,以适应大数据分析与挖掘应用。通过基于Hadoop构建的煤矿安全监测大数据平台,实现对海量环境监测数据的分布式存储、选择性抽取和高效计算。通过对生产环境监测数据的集成和深入挖掘,建立机器学习模型,自动识别安全隐患并推荐相应的处理措施,起到对煤矿环境安全综合研判和科学决策的辅助作用,推动实现煤矿安全管理的智能化。     

基于机器学习的文本分类方法综述

文本分类是信息检索与数据挖掘领域的核心技术,是机器学习领域新的研究热点。本文对现有的基于机器学习的文本分类方法进行了详细的介绍,分析了各种方法的优缺点,并阐述了文本分类方法未来的发展趋势。     

基于机器学习的车队数据分析

为了增强新一代车辆的功能和安全性,收集了大量的车辆行驶历史数据,利用机器学习方法创建基于规则的计算模型,以检测车队中的故障车辆。详细介绍了模型的设计步骤,并通过低压电池的电气故障测试进行该方法的有效性验证。分析结果可供后续车型台架测试参考。     

基于数据挖掘的分类算法综述

分类算法是数据挖掘中最重要的研究领域之一。通过对当前数据挖掘中具有代表性的优秀分类算法进行分析和比较,给出了每种算法的特性,为使用者选择算法或研究者改进算法提供了依据。     

基于可解释机器学习的水平井产能预测方法

准确预测致密气藏分段压裂水平井产能是压裂效果评价和优化设计的关键环节。现有的产能预测方法,引入了过多的假设和简化,很难全面反映致密储层流体多尺度的运移机理和复杂物理过程,导致产能预测误差较大。提出一种基于机器学习的致密气藏分段压裂水平井产能预测方法,该方法综合利用已收集的地质、压裂水平井产能及钻完井等多类型数据,通过机器学习算法直接挖掘数据内部规律,建立产能预测模型。此外,为解决常规机器学习模型的“黑盒子”问题,还利用SHAP(SHapley Additive exPlanations)方法对建立的机器学习模型进行全局和局部解释,分析影响产能的主要因素,增加了模型的可信性和透明度。以苏里格气田苏东示范区为例,验证了该方法的有效性和实用性。与油气藏数值方法相比,该方法不仅提高了产能预测的精度,而且缩短了建模周期,加快了计算速度。     

Yarn Properties Prediction Based on Machine Learning Method

Although many works have been done to constructprediction models on yarn processing quality, the relationbetween spinning variables and yam properties has not beenestablished conclusively so far. Support vector machines(SVMs), based on statistical learning theory, are gainingapplications in the areas of machine learning and patternrecognition because of the high accuracy and goodgeneralization capability. This study briefly introduces theSVM regression algorithms, and presents the SVM basedsystem architecture for predicting yam properties. Model.selection which amounts to search in hyper-parameter spaceis performed for study of suitable parameters with grid-research method. Experimental results have been comparedwith those of artificial neural network(ANN) models. Theinvestigation indicates that in the small data sets and real-life production, SVM models are capable of remaining thestability of predictive accuracy, and more suitable for noisyand dynamic spinning process.     

无信号环形交叉口机非冲突机器学习预测方法

为高效精确地预测无信号环形交叉口机动车与非机动车的交通冲突,提出了基于遗传算法优化的BP神经网络(GA-BP)和支持向量回归(SVR)的组合预测模型(SVR-GA-BP)。通过无人机采集混合交通流高清视频,利用视频识别软件Tracker提取机非交通冲突轨迹数据,以距离碰撞时间(Time to Collision, TTC)为判别指标,确定机非冲突严重程度。基于偏相关性分析确定交通量、平均速度、大车比例等为机非交通冲突的显著影响因素,选取均方根误差(RMSE)、平均绝对误差(MAE)等五种评价指标对SVR模型、BP神经网络、SVR-GA-BP模型的预测值进行精度分析。结果表明,组合模型在一般冲突预测中精度为97.1%,相比SVR和BP神经网络分别提高6.9%和2.5%,在严重冲突预测中精度为96.1%,相比SVR和BP神经网络分别提高7.3%和5.1%。可见SVR-GA-BP组合模型能够有效预测无信号环形交叉口的机非冲突且精度最高,可为同类型交叉口的安全评价提供借鉴。     

基于深度极限学习机的柴油机尾气排放预测

准确预测拖拉机等柴油机械实际工况污染物排放在排放清单建立和区域污染物排放控制方面具有重要意义。基于拖拉机不同运行状态下发动机转速、油耗、燃烧比、CO、HC、NOX和PM等实测数据作为数据源,建立深度极限学习机(Deep Extreme Learning Machine,DELM）的预测模型,并对拖拉机怠速、行走和旋耕等基本工况下的污染物排放进行预测。为进一步评估DELM预测模型的适应性,将其与支持向量机(support vector machine, SVM)和前馈神经网络(Back propagation neural network, BPNN)模型进行对比分析。结果表明,1）DELM模型在预测排放时间序列方面具有一定优势,其预测拖拉机在怠速、行走和旋耕3种状态下的NOX、HC、CO和PM排放均方根误差均值分别为5.269×10-5、5.195×10-5、5.135×10-5和2.795×10-5。2）DELM模型与SVM和BP对比发现,DELM模型在鲁棒性以及适应性方面的优势显著。3）DELM方法的较高的准确度和泛化性,为基于发动机状态数据预测移动源尾气排放提供思路和方法。     

基于机器学习和遗传算法的高炉参数预测与优化

针对目前高炉炼铁模型精度不高问题,提出建立高炉生产过程中精确的多目标优化模型.首先对高炉的海量数据进行了数据预处理,其次采用支持向量机、随机森林、梯度提升树、XGBoost、LightGBM、人工神经网络6种机器学习算法对高炉焦比、K值进行了预测,并采用特征工程和超参调优对机器学习预测进行了优化,最后采用新的集成学习方法进行预测.预测结果不仅精准度高而且具有很好的鲁棒性.在机器学习的基础之上,采用NSGA-Ⅱ遗传算法对高炉参数进行了多目标优化分析,得到了Pareto最优解,高炉操作者可以根据该多目标优化结果针对不同的需求选择相应的控制参数.     

基于SVM的分类预测

简单介绍了SVM的理论背景，详细介绍了基于SVM的分类预测方法。给出了基于SVM的分类预测技术的性能测试结果。指出该分类预测技术可将实际问题通过非线性变换转换到高维的特征空间，在高维空间中构造线性辨别函数来实现原空间中非线性辨别函数。     

基于增量稀疏核极限学习机的发动机状态在线预测

针对发动机状态在线预测中样本累积、预测模型膨胀和在线更新速度慢等问题,提出了基于增量稀疏核极限学习机的在线预测方法.该方法定义了KELM核函数矩阵的稀疏测量矩阵,并根据矩阵原子相干最小化和自信息量最大化的样本信息度量准则实现在线样本前向稀疏与后向删减,提高了样本稀疏化效率.利用有效样本对测量矩阵在最佳阶数内进行在线扩充与修剪,限制了预测模型膨胀.利用改进的增量建模方法对模型的核权重矩阵进行递推更新,从而建立规模有限且结构稀疏的在线预测模型,提高了在线建模速度.仿真数据和发动机状态参数在线预测实验结果表明,与现有在线预测方法相比,ISKELM具有更高的样本稀疏化和在线建模效率.对发动机排气温度进行120步预测时,预测速度分别提高了80.50%和31.72%,预测精度分别提高了48.56%和15.81%.      

统计机器学习研究

通过将正则化框架引入到统计学习中来,介绍了几种当前流行的统计学习机器,分析了他们的性能,并探讨了快速求解算法.     

机器学习的研究

本文对机器学习进行了深入研究,从机器学习的发展历程、研究领域、系统构成及其在分类上的应用四个方面论述了机器学习的发展和应用。