基于极值理论的洪水灾害损失模型研究

巨灾风险具有发生概率低、毁灭性强等特点,其分布的极值与以往的经验分布不同,具有典型的厚尾特征．运用基于GPD分布的POT模型对我国历年洪水的损失数据进行拟合,并对形状参数及尺度参数进行估计,以此研究巨灾损失的尾部特征,得出结论,并提出建议,对巨灾债券产品的设计和定价具有重要的意义．     

基于极值理论的洪水灾害损失模型研究

巨灾风险具有发生概率低、毁灭性强等特点,其分布的极值与以往的经验分布不同,具有典型的厚尾特征.运用基于GPD分布的POT模型对我国历年洪水的损失数据进行拟合,并对形状参数及尺度参数进行估计,以此研究巨灾损失的尾部特征,得出结论,并提出建议,对巨灾债券产品的设计和定价具有重要的意义.     

基于可解释机器学习模型的南宁市野火灾害易发性研究

野火易发性评价对野火灾害的前期预防以及灾害管理决策的制定至关重要。目前野火易发性的研究主要集中于提高模型的预测精度,而往往忽略对模型的内部决策机制进行解释分析。为此,构建了一种基于可解释机器学习的野火易发性模型,并详细分析了各因子对野火易发性预测结果的影响。以南宁市历史野火样本为基础,综合考虑样本的空间分布特征,选取高程、归一化植被指数(normalized difference vegetation index, NDVI)、年均降雨和平均气温等18项评价因子,利用分类和回归树(calssification and regression tree, CART)、随机森林(random forest, RF)、轻量的梯度提升机(light gradient boosting machine, LGBM)和极致梯度提升(extreme gradient boosting, XGBoost)4种机器学习模型构建野火易发性预测模型。基于性能最优的易发性模型,运用沙普利加和解释(shapley additive explanations, SHAP)方法完成特征全局性解释、依赖性分析和典型样本...     

流域洪水演进模型通用算法研究

提出现实世界、抽象世界和模型世界的概念,通过对基本对象型的赋值,把现实世界映射到抽象世界.在抽象世界里,流域由基本对象组成,基本对象由基本元素组成,构造基本对象的模拟模型,建立水量交换函数和节点水位方程.采用矩阵标识法求解节点水位,由水量交换函数的回代得出所有流域对象的水力要素.在抽象世界里构建模型,用矩阵标识法求解,实现了流域洪水演进模拟,算法具有通用性.     

基于GIS的重庆巫山县崩塌灾害危险性分区评价

【目的】对位于三峡库区的重庆巫山县进行崩塌灾害危险性分区评价。【方法】遴选了地貌类型、地形相对高差、地形坡度、地层岩性、距断裂构造距离、年均降雨量、植被覆盖度、土地利用类型等8个危险性评价指标及分级指标体系,利用层次分析法与专家系统获得了8个评价指标的权重系数,建立了崩塌灾害危险性评价综合指数模型。基于GIS技术,实现了8个危险性评价指标的单因素危险性分区、等面积及行政区划多因子空间叠加分区,获得了该县崩塌灾害危险性分区评价图。【结果】巫山县崩塌灾害低危险区、中危险区、高危险区和极高危险区分别占全县面积的16.9%,36.4%,31.5%和15.2%。以巫山县行政区划中的26个乡(镇、街道)为单位,其中位于极高危险区的有6个乡(镇),位于高危险区的有9个乡(镇),位于中危险区的有8个乡(镇),位于低危险区的仅有3个镇(街道)。【结论】研究结果对巫山县崩塌地质灾害的防治具有重要参考价值。     

基于机器学习的网络流量分类算法分析研究

基于应用的流量分类在网络安全和管理中具有非常重要的作用.传统流量分类大部分是基于端口的预测方法和基于有效载荷的深度检测方法.由于当前网络环境中各种隐私问题以及基于动态端口和加密的应用,传统的网络流量分类策略的有效性已经逐步下降,目前主要集中在基于机器学习技术的流量分类模型进行研究.本文对各种基于机器学习算法的流量分类的比较,如贝叶斯网络(Bayes Net)、朴素贝叶斯(Naive Bayes)、基于RBF的SVM流量分类和基于遗传算法的SVM (GaSVM)流量分类等.这些算法分别使用了全特征选择和优化后的特征集合,实验结果表明基于遗传算法的SVM流量分类精度较高,并在使用主成分特征也可以达到很高的精度.     

基于机器学习算法的森林火灾风险评估研究

【目的】利用森林火灾风险图可提高有效巡护,优化有限防火资源,基于地形、人类活动、植被和气象因素数据,采用基于机器学习算法构建了林火发生预测模型,对林火防护提供一定的参考。【方法】以安徽省滁州韭山为研究对象,提取林区的坡度、海拔、坡向、到居住点的距离、到道路的距离、地形湿度指数、归一化植被指数和温度驱动因素,评估火灾发生驱动因子,将潜在驱动因子分成地形、人类活动、植被与气象因素等4类;使用哨兵火灾产品,提取林区内的历史火点,然后采用机器学习算法建立林火发生的预测模型;最后利用混淆矩阵评估指标和接受者操作特征曲线(ROC)进行精度评价。【结果】植被、温度和到道路的距离是研究区域火灾发生的主要驱动因素。两种模型的ROC曲线表明,逻辑回归预测模型准确度为71.07%,曲线下面积(AUC)值为0.717 2;随机森林模型具有较好的准确性,准确度达到84.91%,曲线下面积值为0.850 1。【结论】随机森林模型表现出比逻辑回归模型更好的预测能力。森林火灾风险图表明,随机森林模型预测下,研究区11.91%(29.36 km²)位于高、极高风险级别。森林火灾风险图可有效协助林火...     

基于机器学习算法的股价回归预测研究

互联网技术的发展,影响着传统行业工作模式和流程,许多行业希望借助互联网技术得到进一步的发展,量化交易在实务操作中越来越重要。该文基于abu量化系统,构建特定的交易环境,运用sklearn的线性回归模块进行仿真分析,得出较为理想的预测结果,根据得出的预测结果从一定程度上论证了量化交易的可行性,也证明了机器学习算法在实际投资操作中所具有的优势。     

基于机器学习算法的丙肝预测

由于丙型病毒性肝炎病毒感染后约有3～10%丙肝病例发展为肝细胞癌,因此准确预测丙肝感染情况,提高丙型肝炎病毒检测技术非常重要,为此,采用机器学习中的集成算法进行丙肝预测。为挑选出最优检测丙肝模型,将不同机器学习模型在UCI(University of California Irvine)丙肝数据进行比较分析。实验结果表明,梯度提升树,随机森林以及轻量级梯度提升机表现较好,其中梯度提升树在预测丙肝准确率高达0.935 1。使用梯度提升树对丙肝感染情况进行预测最为准确。     

基于机器学习的网络流量分类算法

互联网应用的蓬勃发展产生了种类多样的网络流量。在网络技术不断进化的过程中,新型流量和流量加密技术的出现,使基于端口和基于有效载荷的传统网络流量分类算法的应用受到限制。为了实现对新型网络流量的自动分类,提出了一种基于机器学习的网络流量分类算法。通过选择特征属性和构建决策树模型,能够实现对流量级别的网络数据进行自动分类。使用网络流量分类领域的公开数据集进行训练和测试,并将测试结果与开源的机器学习平台Weka运行结果相比较,实验结果表明:所构建模型性能优良,在流量分类准确度与Weka平台相近甚至更优的前提下,大幅降低了建模时间,提高了网络数据分类的效率。     

基于递推最小二乘改进算法的洪水预报模型研究

由递推最小二乘算法估算出的自回归系数在一定条件下具有最佳的统计特性,但在实际应用中,这种方法往往难以动态地把握水文现象的动态特性.为提高自回归洪水预报模型的精度,分别用衰减记忆、有限记忆及2种算法相结合的方法对基本的递推最小二乘算法进行改进,并利用这几种改进算法对白马寺水文站的实测径流序列进行了模拟演算.结果表明,这3种改进的递推最小二乘算法,都可以使自回归洪水预报模型取得较好的预报效果,但实际应用时应根据不同预报的侧重点选择相应的算法.     

基于混合机器学习模型的短文本语义相似性度量算法

为提高短文本语义相似性度量准确性,设计一种基于混合机器学习模型的短文本语义相似性度量算法.先对短文本实施预处理,基于混合机器学习模型构建短文本的字词向量模型,对短文本进行特征扩展;然后组合短文本的多样度量特征,对多样度量特征进行维度规约;最后通过构建一个集成学习模型,计算语义相似性结果,实现语义相似性的度量.使用“Quora Question Pairs”比赛数据集测试该方法的性能,测试结果表明,该方法的准确性较高,对数损失和度量均方差均较低,说明该方法的相似性度量准确性较高.     

基于机器学习的建筑能耗模型适用性研究

为进一步分析不同机器学习方法用于建筑能耗模型的适用性,重点比较了6种常用机器学习方法用于预测办公建筑能耗时的准确性,包括线性回归、高斯过程、多元自适应回归样条法、自助多元自适应回归样条法、随机森林和支持向量机.结果表明:多元自适应回归样条法、自助多元自适应回归样条法和随机森林法适用于取暖能耗的模型建立;对于制冷能耗预测,自助多元自适应回归样条法的计算精度最高.同时发现制冷能耗与取暖能耗相比,由于存在更加复杂的非线性关系,其预测难度更大.研究结果不仅可用于在建筑节能分析中确定最佳机器学习方法,而且所得机器学习方法可用于城市建筑能耗模型的建立.     

洪水风险分析与洪水灾害评估

我国是自然灾害频繁、影响范围广大、经济损失严重的国家。新中国成立以来,经过五十多年的治理,全国主要江河流域的防洪形势有了重大改观。由于洪水的影响因素众多,人类对自然界认知的局限性。目前尚无法完全从定性和定量的角度预知洪水发生的准确时间和真实过程;此外由于经济条件的限制和出于环境、资源等方面的考虑,洪水灾害目前还难以全面防范或彻底消除。多年来,随着我国人口的持续增长和经济的迅猛发展,我国洪涝灾害损失具有逐年增大的趋势。因此,增强全民防范洪水灾害风险意识,更好地认识自然和利用自然为人类造福,把洪水灾害的损失降低到最小。     

基于大数据技术的机器学习算法研究探讨

该文探讨了基于大数据技术的机器学习算法,基于大数据进行机器学习的模型提高了算法的准确性,机器学习实现分析更高级别的数据,基于Spark+Hadoop处理技术的机器学习适应迭代式机器学习模型的特定需求,机器学习分析数据中的关系获得规律预测新样本。对数据进行收集、统计和分析的大数据系统引入机器学习进行大数据计算,机器学习的深度和广度也提升了大数据分析效率。     

基于谐波周期法的洪水灾害链分析

流域洪水的发生存在一定的周期规律,对其周期性采用谐波分析法进行识别.在此基础上,依据灾害系统理论与洪灾形成规律,系统地研究阜平流域洪水灾害链.研究发现:洪水周期循环链主要表现在链的周期性反应,在时间进程上经过孕育潜伏期、启动期、爆发-持续-衰落期、平静期4个阶段,这4个阶段便构成一个洪水灾害周期;阜平流域洪水的主周期为10年,这与太阳黑子相对数量变化周期基本吻合,且近20年来,洪水灾害成灾周期呈变大态势,其人类活动对洪水周期因子的影响不容忽视.洪水灾害链分析,为人们正确认识流域的洪涝规律、制定合理有效的防洪减灾对策,提供了科学的决策依据.     

洪水灾害空间分布的复杂性研究

作为一种高度复杂的自然现象,洪水灾害在空间上既具有普遍性,又具有差异性。大量研究表明：洪水灾害具有不均匀性、差异性、多样性、突发性、随机性与可预测性、规律性等复杂性的特点［１］,使得传统的“简单”的理论和手段已不适宜于伴随着人类经济活动的开展而日趋复杂化的洪水灾害系统的研究。过去只能用定性的方法描述洪水灾害的空间分布的复杂性特征。由于复杂系统［２］和复杂理论［３］的引入,为洪水灾害的研究注入了新的生机,复杂性理论在洪水灾害的研究中将扮演重要的角色,为解释洪水灾害中的复杂现象提供了崭新的方法论［４…     

基于机器学习算法的滚动轴承在线故障诊断

针对传统故障诊断方法耗时长、人工成本高且工作效率低以及现代故障诊断过于复杂的问题,提出了一种直接对振动信号进行关键特征筛选提取的方法,并结合经典的C4.5算法、Cart算法、BP算法和SVM算法对滚动轴承进行在线的故障诊断.研究结果表明,基于C4.5算法、Cart算法、BP算法和SVM算法模型的诊断方法均可对滚动轴承在...