基于多机器学习模型的逐小时PM2.5浓度预测对比

【目的】比较分析XGBoost模型、LightGBM模型、随机森林模型(RF)、K最近邻模型(KNN)、长短期记忆神经网络(LSTM)、决策树模型(DT)共6个PM_2.5浓度预测模型,以准确、及时预测环境PM_2.5浓度。【方法】基于重庆市合川区2020年全年空气质量监测数据和气象数据,通过最大相关最小冗余算法(MRMR)进行数据降维选择最优特征子集,作为模型的输入,逐一进行PM_2.5浓度预测;考虑到不同季节PM_2.5浓度差异较大,故分季节预测了PM_2.5浓度;为了探究各模型预测性能,计算了各模型运行时间和内存占用,并基于PM_2.5与特征变量的相关性和特征变量的重要性探讨了模型预测性能季节性差异原因。【结果】模型总体预测精度从高到低排序为 XGBoost、RF、LightGBM、LSTM、KNN、DT模型;预测性能方面,6个模型均表现为秋冬季节预测精度高于春夏季节;LightGBM模型可在保证模型精度的情况下,大幅减少模型训练时间和内存占用;特征重要性显示PM₁₀浓度、气温和气压的重要性高,O₃浓度、风向和NO₂浓度重要性相对较弱。【结论】采取MRMR方法进行数据降维选取的最优特征子集能较好地预测PM_2.5浓度;相比较而言,XGBoost、RF、LightGBM、LSTM模型在PM_2.5浓度预测上具有较优性能,其中综合性能较好的为LightGBM模型。     

基于优化核极限学习机的泥石流危险性评估

山区环境中泥石流的孕育受多种因素的影响,为提高泥石流危险性的预测精度,提出一种萤火虫算法(firefly algorithm, FA)优化核极限学习机(kernel based extreme learning machine, KELM)的预测模型。首先,针对数据维度爆炸的问题,通过主成分分析(principal component analysis, PCA)数据降维,使得留有大部分致灾特征信息的因子输入训练模型;然后,使用萤火虫优化算法更新核极限学习机的参数,将四川省北川县监测数据输入优化后的预测模型,并与其他传统机器学习算法进行对比分析,验证该算法的优越性;最后,使用多种指标综合评估模型的预测效果。结果表明,FA-KELM模型能够有效地简化数据结构,提高泥石流危险性预测的准确性,为泥石流灾害预测方面的研究提供参考和借鉴。     

煤矿瓦斯涌出量的非线性降维Elman动态预测模型

为对回采工作面绝对瓦斯涌出量进行有效预测,提出非线性降维的改进Elmand动态预测模型.模型采用非线性映射在特征空间内对数据进行有效降维,以此确定神经网络输入数目,并利用自适应蚁群微分进化算法对改进的Elman神经网络(IENN)的阈值、权值、自反馈因子和增益因子行全局寻优.将该预测模型用于矿井监测的历史数据进行检验.研究结果表明:模型能够有效地减少预测模型的输入变量个数,并且相比其他预测模型提高了预测的精度和效率.     

基于改进LightGBM的室内指纹定位算法

针对室内定位算法在定位时所用时间较长和定位精度较低的问题,提出了一种基于改进LightGBM算法的室内定位算法。该算法首先针对指纹库中的数据进行预处理,通过KNN算法去除异常点和离群点,降低环境噪声干扰,提高数据可靠性。接下来,将样本集划分为训练集和测试集,使用LightGBM算法对进行建模。同时,使用遗传算法调整LightGBM算法中的参数,并根据适应度函数寻找最优参数,得到LightGBM+GA坐标预测模型。最后,根据优化后的参数建立预测模型实现坐标预测。实验结果表明,该算法在WiFi定位的精度上较与XGBoost算法提高0.1m,相较于GBDT算法提高0.19m,在定位时间上,LightGBM+GA算法比GBDT算法快5.10s,比XGBoost算法快5.97s,具有较好的实用性。     

基于机器学习的飞机起落架着陆载荷预测模型

随着物联网、大数据技术的深入发展,一型装备交付部队的同时,往往需同步提供数字孪生模型以优化视情维护过程。论文基于某型号飞机试飞数据,提出一种将机器学习技术用于飞机起落架着陆载荷预测模型构建的方法。以某型号飞机飞行参数为输入,以传感器实测的左起落架垂向载荷为输出,经数据清洗和特征降维后,分别建立极端梯度提升（extreme gradient boosting, XGBoost）、随机森林（Random Forest）和多层前馈（back propagation, BP）神经网络模型,并对所建模型进行调优。经对比和评估,XGBoost模型具有最高的预测精度,对起落架载荷绝大多数样本的预测误差均保持在6%以内,同时建模时间少,泛化能力强,为起落架载荷预测最优模型。     

基于KPCA和BiLSTM的分解炉出口温度预测

水泥生产过程中，分解炉出口温度是非常重要的工艺参数，为了应对出口温度变量的多样性，文章提出一种核主成分分析(kernel principal component analysis, KPCA)与双向长短期记忆(bidirectional long short-term memory, BiLSTM)神经网络相结合的温度预测组合模型用来预测分解炉的出口温度。通过KPCA筛选出影响因素的主成分从而达到数据降维目的，将降维后的主成分作为BiLSTM神经网络的输入，分解炉出口温度作为BiLSTM神经网络的输出。经BiLSTM神经网络训练，得到分解炉出口温度预测模型。通过对比验证表明，使用KPCA-BiLSTM相结合的温度预测模型具有较好的预测精度。     

基于互信息的主成分分析结合支持向量回归的滚动轴承剩余寿命预测研究

滚动轴承作为旋转机械设备中的关键部件,影响着设备的可靠性运行。为了智能开展设备维护工作,提高设备的运转效率,提出一种基于互信息（mutual information,MI）的主成分分析（principal component analysis,PCA）（MI-PCA）结合支持向量回归（support vector regression,SVR）的滚动轴承剩余寿命预测方法。首先利用小波包降噪算法剔除原始振动信号中的异常数据点和噪声,并基于降噪数据提取其时域、频域和时频域特征;然后结合特征与剩余寿命的互信息值进行特征筛选,再通过PCA降维算法获得可表征轴承退化状态的敏感特征,用于SVR的输入;最后构建并训练SVR剩余寿命预测模型,并将其应用于滚动轴承全寿命试验数据。试验结果表明与基于MI和基于PCA的SVR回归预测模型（MI-SVR模型、PCA-SVR模型）相比,基于MI-PCA的SVR模型具有更高的预测精度（预测精度可达97%）,能够实现滚动轴承剩余寿命的精准预测,为开展及时有效的设备维护工作提供了决策依据。     

基于粒子群-投影寻踪和遗传-神经网络集成的预测模型

  针对预测对象和预测因子存在复杂的线性和非线性关系的特点,利用自然正交展开方法进行线性降维,以及用粒子群 投影寻踪方法进行非线性降维,将高维的非线性数据投影到低维子空间上,构造了一种遗传 神经网络预测模型。在此基础上,应用该预测模型对影响华南的台风频数进行了预测试验,并将预测结果与统计回归模型的预测结果进行对比分析。结果表明,文中构建的非线性集预测模型,对台风频数有较好的预测效果,5 年预测的平均绝对误差为0.81个, 平均相对误差为13%,预测结果比统计回归模型有明显的改进。该文的结果可为进一步探索研究其他领域的预测建模提供了一种新的参考思路和方法。     

基于QPSO-LightGBM网络资产脆弱性评估模型

为有效减少网络安全事件造成的损失,并对高风险网络资产进行漏洞评估,提出了一种基于量子粒子群轻量级梯度升降算法(QPSO-LightGBM:Quantum Particle Swarm Optimization-Light Gradient Boosting Machine)的多分类预测模型。该模型通过对少量过采样技术(MOTE:Minority Oversampling)进行合成从而达到数据平衡,采用量子粒子群算法(QPSO:Quantum Particle Swarm Optimization)实现参数的自动最优化,并使用LightGBM进行建模,进而实现网络资产的多分类预测。为验证模型的有效性,将所提模型与其他算法模型进行了比对,实验结果表明,该模型在各类预测性能指标上都取得了较好的效果。     

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。     

基于粗糙集优化支持向量机的泥石流危险度预测模型

为准确预测泥石流危险度,提出了基于粗糙集理论(RS)的粒子群算法(PSO)优化支持向量机(SVM)模型。首先离散化泥石流样本数据形成初始决策表,利用粗糙集理论对10个泥石流危险度影响指标进行属性约简,将约简后的泥石流指标数据归一化处理作为支持向量机的学习样本,通过粒子群算法寻优获得最佳支持向量机模型参数,最终建立基于粗糙集的泥石流危险度预测的优化支持向量机模型。并将构建的RS-PSO-SVM模型用于对测试样本的预测,结果表明：在相同训练样本的条件下,RS-PSO-SVM模型、PSO-SVM模型及RS-PSO-BP模型三者的预测准确率分别为：87.5%,87.5%,75%,说明RS-PSO-SVM模型和PSO-SVM模型具有比RS-PSO-BP模型更高的精度。此外,尽管RS-PSO-SVM模型和PSO-SVM模型具有相同的预测精度,但是由于进行了属性约简,RS-PSO-SVM模型可以有效提高运行效率,降低模型复杂度。     

基于传递函数优化后BP神经网络对泥石流的危险性预测

泥石流危险性预测的可靠性是防治工程建设与减灾救灾相关工作部署的关键,基于Back Propagation神经网络的预测方法,是目前实现危险性等级划分的有效方法之一。利用BP神经网络算法的非线性逼近能力,挑选陇南白龙江小流域26条典型泥石流沟道,结合当地实际情况,选取泥石流危险性的8个主要因素为输入层神经元,以样本数据危险等级为输出神经元,在测试单、双层隐含层网络性能的基础上,提出9种工况组合的传递算法搭配方案,利用L-M算法搜索最优解或者近似最优解,总结传递算法对泥石流预测模型精度的影响及算法的选择顺序。实验结果显示,隐含层采用tansig函数,输出层采用logsig函数,其模型总体误差最小,模型的R训练集、R验证集较大与R测试集分别为0.983 61、0.709 17和0.960 52,准确率达到96.1%。由此可见,选择合适的传递函数可提高网络模型的精准度,能准确划分泥石流风险等级。     

Regional Prediction of Impending Debris Flow Based on Doppler Weather Radar

Debris flow prediction is one of the important means to reduce the loss caused by debris flow. This paper built a regional prediction model of impending debris flow based on regional environmental background （including topography, geology, land use, and etc.）, rainfall and debris flow data. A system of regional prediction of impending debris flow was set up on ArcGIS 9.0 platform according to the model. The system used forecast precipitation data of Doppler weather radar and observational precipitation data as its input data. It could provide a prediction about the possibility of debris flow one to three hours before it happened, and was put into use in Liangshan Meteorological Observatory in Sichuan province in the monsoon of 2006.     

三明市后山冲沟泥石流易发性评价及预报

2019年5月15—17日和6月7—10日三明市区持续强降雨,其中5月16日24 h降雨量为50年一遇,受强降雨影响,市区东侧后山产生大量浅层滑坡,冲沟内松散固体物源增加,后山冲沟山洪暴发;若在100年一遇甚至200年一遇暴雨作用下,冲沟内产生的浅层滑坡数量及能够参与泥石流活动的松散固体物源量都将会大幅度提高,很可能暴发由浅层滑坡诱发的沟谷泥石流.根据直接指标评价法对三明市区后山20条冲沟的泥石流易发程度进行评价:除了碧桂园后山冲沟为不易发外,其余19条冲沟的泥石流易发程度均为轻度易发;通过19条轻度易发泥石流冲沟的地形数据和2019年5—6月两次降雨过程数据,对浅层滑坡诱发沟谷泥石流降雨预报模型进行验证,结果表明模型预报结果与实际相符;并利用该预报模型给出三明后山冲沟泥石流预报临界降雨值,为该区泥石流预测预报和监测预警指标选取提供参考.     

西沟尾矿泥石流危险范围及短期灾变时序预测

 概述了泥石流危险性评价和危险范围预测的研究现状。分析了西沟尾矿泥石流的孕灾环境地质背景,基于泥石流预测模型对泥石流危险范围进行预测评价,得出基于泥石流模型实验建立的预测模型适合于尾矿泥石流危险范围的预测。构建了灰色系统灾变预测模型,并对近期泥石流灾害的灾变时间序列进行预测,为尾矿泥石流灾害评价及防治减灾提供了重要依据。     

用于储量渗透率预测的高效梯度提升决策模型

渗透率预测本质上属于拟合问题,因此可用拟合模型进行解决。机器学习模型是解决拟合问题的利器,其中LightGBM (light gradient boosting machine)表现出色,为此选用该模型进行预测。然而,LightGBM预测性能受自变量的数量和性质影响较大,同时较多超参数的使用使其预测状态难以最优,为此采用MIV (mean impact value)算法和CD (coordinate descent)算法对模型进行改进。为验证提出模型的预测性能,以姬塬油田西部长8段致密砂岩储层为例进行研究。设计了三个实验分别对提出模型进行性能分析。根据实验结果发现MIV和CD的使用能提高LightGBM的预测性能,同时提出模型在预测上较常规混合机器学习模型表现更为高效。实验结果证明提出模型可在纯数据驱动下高效地预测渗透率,较经典物理模型更具有适用性和推广性。     

基于随机松弛时间的行程时间可靠性计算模型*

提出了基于随机松弛时间的行程时间可靠性动态计算模型。研究了交通系统内部车辆间相互干扰作用对行程时间可靠性的影响。运用交通流动力学理论建立模型,证明了模型的各项异性,并基于蒙特卡洛和欧拉折现法设计相应的求解算法。模型能够较好地反映给定交通供需条件下的行程时间可靠性退化规律,量化交通流内部车辆间相互干扰对行程时间可靠性的影响。算例分析表明车辆间相互干扰程度的加剧会引起行程时间可靠性退化轨迹的明显改变,干扰越剧烈,动态行程时间可靠性的退化速度越快、达到稳定状态时的行程时间可靠性水平越低。拓展了传统行程时间可靠性计算模型仅考虑外部供需的局限性,探讨了交通流松弛时间的随机波动对行程时间可靠性的影响。所建模型和方法可以为高速公路、城市快速路、主干道等大型设施的动态行程时间可靠性预测提供理论依据和实践参考。