选择性集成学习模型在岩性-孔隙度预测中的应用

储层是油藏地质建模的主要对象,储层属性参数的预测是建模的重要基础和主要难点之一。利用机器学习方法建立预测模型是目前研究的一个热点。针对单一机器学习方法在孔隙度预测方面存在的容错率低、过拟合等缺点,提出了融合岩性分类进行选择性集成学习建立预测模型的方法。该方法首先使用支持向量机进行岩性分类,并将岩性分类结果作为孔隙度选择性集成预测模型的输入。然后在研究分析典型机器学习方法的基础上,通过主成分方法分析法从支持向量回归、径向基(radial basis function,RBF)神经网络、随机森林、岭回归和K近邻回归等经典模型中选择出一组表现优异的个体学习模型组成集成学习模型,个体在集成模型中的权重由"主成分权重平均"法获得,最终采用加权平均法得到集成学习模型的输出。该方法考虑了岩性对孔隙度的影响,克服了单一模型存在的不足,模型的泛化能力强。研究结果表明,该方法的预测精度明显优于其他单一机器学习方法,适应性好。     

分类器集成在财务危机预测中的应用研究

财务困境预测是金融领域中一个重要的研究课题．已有的统计模型、人工智能和机器学习模型具有预测准确率较低或稳定性差等缺点,因此首次将分类器集成应用于财务危机预测研究,以我国上市公司为研究对象,以决策树和神经网络为子分类器,从实验上证实了分类器集成在提高财务危机预测准确性方面的有效性,最后指出需要进一步研究的几个问题．     

基于多特征融合和深度学习的微观扩散预测

准确地预测社交网络中的信息扩散节点可以对谣言、计算机病毒等不良信息的传播以及信息泄露做到早检测、早溯源和早抑制。为了提高微观扩散预测精度,该文提出了一个基于多特征融合和深度学习的微观信息扩散预测通用框架(MFFDLP)。为了获取信息扩散的时序特征,基于信息扩散序列和社交网络图,采用门控循环神经网络提取局部时序特征和全局时序特征,并融合形成信息扩散序列表征;为了获取用户交互行为和兴趣爱好的动态表示,根据历史信息构建信息扩散图,使用级联图注意力网络提取信息扩散子图中节点特征和边特征,并通过嵌入查找,融合形成当前信息扩散序列中相应节点的动态扩散表征;使用双多头注意力机制,进一步捕获静态和动态扩散特征的上下文信息,实现了高精度微观扩散预测。在3个公共数据集上的对比实验结果表明：所提方法优于对比方法,在微观扩散预测的精度上最高提高了9.98%。     

基于递归特征消除和Stacking集成学习的股票预测实证研究

该文以沪深300为投资标的池,选取波动指标、收益指标、经典技术指标和交易指标等4大类指标共24个二级指标作为评价因子,用递归特征消除法结合Stacking集成学习以及传统的随机森林、支持向量机和逻辑回归等4个机器学习算法分别构建分类模型,预测投资标的池中周频收益率排名前20%的股票标的,为投资者提供量化投资策略.实证研究对这4个模型的分类预测效果进行了比较.结果表明,基于递归特征消除法和Stacking集成学习的模型的预测性能最高,其AUC值达到0.644 7,准确率为60.21%,精确率为59.87%,召回率为62.65%,F1值为61.23%.因此,基于递归特征消除法和Stacking集成学习的模型能够有效地为投资者选取高收益率的投资标的,是一个可行的基于机器学习的量化投资策略.     

集成多分类器在客户流失预测中的应用

随着经济的发展,通讯行业的竞争也日益激烈,客户流失已经成为造成企业经济损失的重要原因。为了给企业决策者提供较为准确的客户流失预测分析,提出了基于集成多分类模型的预测方法。基础模型的构造上选择基于显露模式的算法,在训练样本上建立N个并列的基础模型,按投票的方式集成N个模型的决策能力,最终对客户流失进行准确的预测,为电信公司的决策层提供可靠的分析结果。实验数据表明,相对于单一模型,集成分类算法不仅有显著的分类准确率,还有较强的泛化能力。     

基于特征工程的集成学习短期光伏功率预测

短期光伏功率预测对于电网稳定运行具有重要意义。为了解决单一模型预测精度不佳的情况,提出了一种在Stacking集成学习框架下融合Bagging和Boosting算法的短期光伏功率预测模型。首先,引入Copula函数的相关性分析和轻量级梯度提升机的特征贡献度计算来进行特征筛选;然后,选取泛化性能较优的模型作为基学习器,并采用贝叶斯优化算法来对基学习器模型参数进行优化,最后,定义一个超级学习器,采用5折交叉验证,将基学习器与元学习器封装到超级学习器中训练。算例结果表明,在不同季节和不同天气条件下,Stacking模型相较于单一模型有着更高的预测精度。     

移动学习在大学生学习中的应用研究

移动学习是继数字化学习后出现的一种新的学习模式，是教育领域研究的一个新视角，已经引起许多国内外专家的重视。本文主要在探讨移动学习的概念和特征的基础上，来分析一下移动学习在大学生学习中所起到的作用。     

分类学习方法在犯罪人地域特征预测识别中的应用研究

传统的时空犯罪预测仅适用于犯罪的时空分布概率分析,无法应用于具体的案件预测,而基于犯罪人特征属性判断犯罪人风险行为的预测方式往往会受到特定工作场景的限制,缺乏良好的迁移性和扩展性(背景)。抽象出案件现场构成要素并从信息化侦查的角度建立了以时间、区域、部位、目标和手段等5种案件现场信息为属性、以分类算法为基础的犯罪人地域特性识别模型,并以北京市盗窃电动车案件数据作为案例、利用决策树算法进行了实证分析(方法)。结果表明:该模型能够有效地实现对犯罪人地域特征的分类识别,其分类正确率达到了80%以上,并且决策树算法在结果的准确率上较其他分类方法具有更好的效果(结果)。以犯罪人的地域特征性作为案件侦查的一个切入点,利用案件现场特征挖掘犯罪嫌疑人的地域特征,可为侦查人员缩小侦查范围提供了一种方法,有利于侦破犯罪嫌疑人身份不明的案件,提升侦查效率(意义)。     

新的集成预报及其在短期气候预测中的应用

分析了传统的基于加权的集成预报等方法及其在气象预测应用中存在的问题,在此基础上提出了一种新的基于数据挖掘的集成预报方法,并选用BP人工神经网络建立集成预报分类器来对各种子预报方法的预报结果进行集成和综合;该方法可以根据不同预报对象的特性,对集成预报权值进行动态改变,克服了传统的集成预报方法中权值一旦确定就不能改变的不足,也克服了现有的集成预报不能得到最优结果的不足。通过对2001～2007年重庆市城口县1月的降水和平均气温以及重庆市的春旱指数进行预报,实验结果显示,集成预报结果的可靠性和准确性不但高于集成之前的各种子预报方法,而且高于传统的其它集成预报方法,验证了方法的有效性。     

神经网络集成模型在广东省海洋生产总值预测中的应用

海洋生产总值预测是一项极其复杂但又非常重要的工作,本文探讨了神经网络集成模型在广东省海洋生产总值预测中的应用.通过采集广东省2000—2010年海洋统计年鉴数据,借助Bagging方法生成仿真数据训练网络个体,将12个个体网络集成对广东省2010年海洋生产总值进行预测分析,该模型解决了海洋经济数据非线性、时变性、样本量少和偏差大等问题.与线性回归方法的比较结果表明,神经网络集成模型预测海洋生产总值的结果更可靠.     

多媒体技术在大学生学习中的应用研究

高校教学中,互联网技术的体现就是多媒体教学。多媒体技术教学已经应用在高校的教学教育中,利用多媒体技术,不仅可以让学生共同学习,还可以针对学生的差异性,对教学内容进行调整,具有个别化学习的特征。所以,多媒体技术的发展和应用,对于学生的学习能够提供更有效的帮助。     

基于小波分析和集成学习的短时交通流预测

针对短时交通流具有随机性和不确定性等特征,提出一种基于小波分析和集成学习的组合预测模型.首先,对原始交通流数据的平均行程时间序列应用Mallat算法进行多尺度小波分解,且对各尺度上分量进行单支重构;其次,对于各重构的单支序列分别使用极端梯度提升模型(extreme gradient boosting,XGBoost)进...     

双机制Stacking集成模型在短时交通流量预测中的应用

交通流量预测对于智能交通管理决策具有重要意义,为克服传统单一模型预测精度低、稳定性不足,同时为解决Stacking集成模型对基学习器输出信息利用率不高的问题,提出了一种双机制Stacking集成模型.双机制包括内机制和外机制,内机制通过在元学习器中引入注意力机制来调整网络中的特征信息,外机制通过在基学习器中融入动态权重...     

多模式解释集成方法在云南降水预测中的应用

发展数值预报模式、增强模式产品的解释应用能力,是提高短期气候预测准确率的重要途径.文章基于国家气候中心提供的3种气候模式产品,开展云南3—9月降水和夏季(6—8月)各月降水的降尺度释用和集成技术方法研究,并利用距平符号一致率(PC)、趋势异常综合(PS)和距平相关系数(ACC)3项指标,对比分析了不同模式和方法对云南降水的预测性能.结果表明:对模式直接输出结果,各月平均的PC和PS评分NCEP模式最高,EC次之,NCC最低;ACC评分EC最高,NCEP次之,NCC最低;对夏季降水,EC模式PC和PS评分最高,NCC模式则ACC评分最高.模式降尺度释用结果的PC评分较同一模式直接输出结果以负订正为主,PS和ACC以正订正为主,表明降尺度释用方法对云南月降水距平符号的预测能力不如模式直接输出结果,但对降水空间分布形态和异常级降水的预测与实况更接近.不同集成方案的预测性能不尽相同,模式集成的PC评分最高,这与模式直接输出结果对降水的PC评分较释用结果偏高有关;优选集成的PS评分和ACC评分最高,且各月评分值较为稳定,表明同时引入模式直接输出与降尺度释用结果的优选集成可发挥二者的优势,改进预测性能.     

应用非线性加权的集成学习软件缺陷序列预测算法

针对当前软件缺陷序列预测算法准确度不高的问题,提出了基于非线性加权的集成学习软件缺陷序列预测算法(NLWEPrediction)。该算法在常见线性集成预测算法的基础上增加了非线性回归项,回归项代表了集成预测算法中基预测算法之间的相互关系,修正了线性集成预测的偏差,并通过梯度下降法求解了模型中的参数。实验表明:NLWEPrediction在14个软件缺陷数据集上的均方误差均小于250,并且平均绝对误差均小于13。通过与基预测算法、集成预测Bagging、Stacking算法和只考虑两个分类器关系的非线性加权集成学习算法进行对比,可以看出,NLWEPrediction预测算法的均方误差和平均绝对误差显著减小,预测精度显著提高,说明在线性集成预测算法基础上增加非线性回归项,能够有效提高集成学习算法的分类效果。     

集成学习在电网假数据入侵检测中的应用

人工智能和机器学习的发展为入侵电网数据采集与监视控制(supervisory control and data ac-quisition,SCADA)系统的虚假数据检测,提供了新的高效解决方案.目前,针对运用机器学习中的单分类器对电网中虚假数据的检测,出现的准确率低、误检率高、模型区分能力差等问题,提出了一种基于集成学...     

集成学习中特征选择技术

集成学习和特征选择是当前机器学习领域中的研究热点.集成学习通过重复采样可产生个体学习器之间差异度,从而提高个体学习器的泛化能力,特征选择应用到集成学习可进一步提高集成学习技术的效果,该研究有3个方面：数据子集的特征选择、个体学习器的选择和多任务学习.该文对近几年集成学习中特征选择技术的研究进行回顾,尤其对以上3个方面的研究分别进行总结,提出一些共性的技术指导以后的研究.     

变步长BLSTM集成学习股票预测

提出采用变步长双向长短期记忆网络(BLSTM)集成学习方法学习历史数据中股票价格变动的规律.针对股票涨跌变化的预测改进均方误差(MSE)损失函数,采用简易的模拟交易盈利评价指标以更好地度量预测模型在金融市场中的期望表现.通过前10～50步长的数据训练BLSTM,预测下1min各股票的涨跌变化.实验结果验证了不同数据预处理下,改进损失函数的有效性及变步长集成方法相对于单一网络的有效性.     

集成学习下的短期交通流预测

为了实现短期交通流的精准预测,在深度学习模型的基础上提出一种集成深度信念网格方法;通过考察交通流序列的高斯混合分布特性,加入高斯混合分布噪声进行数据优化,并采用Bagging集成学习的方法对各子深度信念网络进行集成,得到改进的深度集成信念网络模型。经实例演算,该模型比传统的反向传播神经网络、未经过集成的深度信念网络预测精度都要高,且经过高斯混合噪声优化的改进模型要优于未经过优化的深度学习集成模型。