检索结果-南通市图书馆

基于相似日和optuna-LightGBM的智能控制柜内部环境预警评估方法

在线全文

学校读者我要写书评

暂无评论

电器与能效管理技术 2023年第7期 70-76页

作者：尹康钟婷婷黄昕颖李丽浙江华云电力工程设计咨询有限公司浙江杭州310000

针对基于事件驱动的智能控制柜温湿度预测精度较低,无法及时对柜内温湿度异常进行预警的问题,提出了一种基于相似日和optuna-LightGBM的温湿度预测方法。利用相似日算法选取合适的模型训练数据集,构建基于LightGBM的温湿度预测模型,用Op... 详细信息

针对基于事件驱动的智能控制柜温湿度预测精度较低,无法及时对柜内温湿度异常进行预警的问题,提出了一种基于相似日和optuna-LightGBM的温湿度预测方法。利用相似日算法选取合适的模型训练数据集,构建基于LightGBM的温湿度预测模型,用optuna优化模型参数。最后,提出了一种基于曲线拐点检测的预警参数阈值计算方法,分析预测模型得到的温湿度曲线特性,实现温湿度预警。实验结果显示,所提方法的温度预测误差MAPE为0.35%,湿度预测误差MAPE为0.73%,可实现对柜内温湿度的精准预测并及时预警。

关键词：轻量级梯度提升机 optuna 相似日算法环境预警温湿度控制系统

基于5CV-optuna-LightGBM回归模型的数据预测方法

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

软件工程 2024年第1期27卷 49-54页

作者：顾靓谈子楠荣静扬州大学广陵学院江苏扬州225000

为解决各类复杂的数据预测问题,文章提出以五折交叉验证(5CV)、optuna超参数优化和LightGBM回归预测模型为基础的5CV-optuna-LightGBM混合回归预测模型。采用影响二手车价格的因素数据集,首先进行数据预处理与Pearson相关性分析,确定37... 详细信息

为解决各类复杂的数据预测问题,文章提出以五折交叉验证(5CV)、optuna超参数优化和LightGBM回归预测模型为基础的5CV-optuna-LightGBM混合回归预测模型。采用影响二手车价格的因素数据集,首先进行数据预处理与Pearson相关性分析,确定37个特征指标。其次通过L1正则化对模型进行降噪处理,并利用交叉验证和optuna算法不断优化模型,最终得到在5CV-optuna-LightGBM回归预测模型下的数据预测结果。从准确率、花费时间等多个评价指标出发,开展实验分析模型的预测效果,得到准确率为99.433%、花费时间为15s、平均绝对误差为0.306%的结果,与其他模型对比,其预测值更加准确、建模效率更高、拟合度更高。

关键词： Pearson 五折交叉验证 optuna LightGBM 正则化

SCR脱硝系统的分数阶PI^(λ)D^(μ)参数优化控制

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

动力工程学报 2022年第2期42卷 122-128页

作者：黄宇高珊李其贤丁鹏王东风申朋宇华北电力大学自动化系河北保定071003 保定电力职业技术学院动力工程系河北保定071051

为解决选择性催化还原(SCR)脱硝过程中存在的较强不确定性问题,在不改变原有控制系统的基础上,提出将分数阶PI^(λ)D^(μ)控制应用到SCR脱硝控制系统中。为获取分数阶PI^(λ)D^(μ)控制器参数的最优组合,提出一种带协方差自适应矩阵自... 详细信息

为解决选择性催化还原(SCR)脱硝过程中存在的较强不确定性问题,在不改变原有控制系统的基础上,提出将分数阶PI^(λ)D^(μ)控制应用到SCR脱硝控制系统中。为获取分数阶PI^(λ)D^(μ)控制器参数的最优组合,提出一种带协方差自适应矩阵自适应进化策略(CMA-ES)采样器的optuna优化算法,并用该算法对分数阶PI^(λ)D^(μ)控制器的参数进行寻优。结果表明:相比于传统最优PID控制方案,优化后的分数阶PI^(λ)D^(μ)控制器具有更好的设定值跟踪能力、抗干扰能力及鲁棒性。

关键词： SCR脱硝分数阶PI^(λ)D^(μ)控制 CMA-ES optuna

基于自动超参数优化框架与梯度提升算法融合的储层粒度二维分布预测研究

在线全文

学校读者我要写书评

暂无评论

地球物理学进展 2024年第5期39卷 1886-1900页

作者：蒋熙梅闫伟超邢会林孙建孟深海圈层与地球系统教育部前沿科学中心海底科学与探测技术教育部重点实验室中国海洋大学海洋地球科学学院青岛266100 青岛海洋科学与技术国家实验室深海多学科交叉研究中心青岛266237 中国石油大学(华东)地球科学与技术学院青岛266580

岩石粒度对水动力条件分析和沉积环境的识别具有指示性作用.传统粒度测量中常用的筛析法和激光法不仅耗时长、成本高,且由于钻井取芯收获率有限,导致粒度分布数据在深度上不连续.尽管采用测井曲线与机器学习结合的方法能够弥补岩石物理... 详细信息

岩石粒度对水动力条件分析和沉积环境的识别具有指示性作用.传统粒度测量中常用的筛析法和激光法不仅耗时长、成本高,且由于钻井取芯收获率有限,导致粒度分布数据在深度上不连续.尽管采用测井曲线与机器学习结合的方法能够弥补岩石物理实验技术的不足,但现有成果均围绕粒度的一维特征值展开,无法表征二维粒度分布的整体特征.本文针对储层粒度二维分布曲线预测的困难,提出了基于自动超参数优化框架(optuna)与梯度提升算法(LightGBM和XGBoost)融合的机器学习方法,以埕岛油田某区块测井数据和粒度分布实验数据为基础,通过对比线性回归、支持向量回归(SVR)、k-最近邻(k-NN)、随机森林(Random Forest)、梯度提升决策树(GBDT)、XGBoost、LightGBM、卷积神经网络(CNN)等8种不同的机器学习方法,优化机器学习参数,选出最适合于预测储层粒度分布的方法.研究结果表明:10种机器学习方法预测储层粒度分布的准确性有较大差异,当以自然电位、声波、井径、补偿中子、自然伽马、地层真电阻率、深侧向电阻率、微侧向电阻率和浅侧向电阻率9种测井参数数据作为输入时,本文提出的新方法对储层粒度二维分布预测精度最高,决定系数R2均接近0.7,误差较小,而线性回归、SVR、GBDT等储层粒度分布预测精度较低,不适用于储层粒度的预测.

关键词：粒度分布机器学习 optuna XGBoost LightGBM

利用改进XGBoost预测RH精炼终点钢水温度

在线全文

学校读者我要写书评

暂无评论

材料与冶金学报 2023年第5期22卷 437-443页

作者：徐猛雷洪何江一韩信王兴华王燕斌东北大学材料电磁过程研究教育部重点实验室沈阳110819 东北大学冶金学院沈阳110819 建龙北满特殊钢有限责任公司黑龙江齐齐哈尔161041 沈阳东惠科国际贸易有限公司沈阳113000

合适的RH精炼终点钢水温度是保证连铸坯质量的重要前提.为了准确地预测RH精炼终点钢水温度,首先利用随机森林在处理高维数据集上的优势,采用袋外数据评分法进行特征选择,以确定模型的输入变量;然后利用optuna框架优化XGBoost超参数,减... 详细信息

合适的RH精炼终点钢水温度是保证连铸坯质量的重要前提.为了准确地预测RH精炼终点钢水温度,首先利用随机森林在处理高维数据集上的优势,采用袋外数据评分法进行特征选择,以确定模型的输入变量;然后利用optuna框架优化XGBoost超参数,减少计算耗时,提高模型命中率;最后,结合实际的RH精炼生产数据进行模型验证.结果表明:与网格搜索和随机搜索相比,optuna框架在优化XGBoost超参数的计算耗时和命中率上具有一定优势;与优化后的GBDT和LightGBM两种模型相比,优化后的XGBoost模型具有更好的预测性能,在偏差为±5℃时RH精炼终点钢水温度的命中率达到92%.

关键词： RH精炼 XGBoost算法终点预报 optuna 钢水温度

基于LOF-DBSCAN与优化XGBoost的风电机组异常状态预警

在线全文

学校读者我要写书评

暂无评论

华北电力大学学报(自然科学版) 2023年

作者：马良玉段晓冲胡景琛黄日灏华北电力大学控制与计算机工程学院

针对风电机组长期处于恶劣环境导致故障频发问题，提出了一种局部离群因子（LOF）与基于密度的空间聚类算法（DBSCAN）结合的异常数据清洗和基于优化极端梯度提升（XGBoost）算法的异常工况预警方法。首先采用LOF算法结合DBSCAN算法对... 详细信息

针对风电机组长期处于恶劣环境导致故障频发问题，提出了一种局部离群因子（LOF）与基于密度的空间聚类算法（DBSCAN）结合的异常数据清洗和基于优化极端梯度提升（XGBoost）算法的异常工况预警方法。首先采用LOF算法结合DBSCAN算法对风电机组状态监控与数据采集系统（SCADA）中的异常数据进行预处理。之后根据机理分析选取模型输入输出参数，基于optuna框架自动优化XGBoost算法的超参数建立风电机组正常运行工况预测模型。在此基础上，利用时移滑动窗口方法计算风电机组有功功率和发电机转速的平均绝对误差（MAE）并作为状态识别指标，结合统计学中的区间估计法确定指标预警阈值。最后应用某风场的真实历史故障数据进行实验，结果表明所提方法可以对风电机组的异常工况进行及时正确的预警。

关键词：风电机组 LOF DBSCAN optuna XGBoost 异常工况预警

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于异质堆叠集成学习的脱硫剂加入量预测

炼钢 2024年第3期40卷 1-7页

作者：吴经纬方一飞但斌斌容芷君都李平罗钟邱中冶南方工程技术有限公司湖北武汉430223 武汉科技大学冶金装备及其控制教育部重点实验室湖北武汉430081 宝信软件(武汉)有限公司湖北武汉430080

KR搅拌法是铁水预脱硫的重要工艺之一,但在脱硫过程中脱硫剂的加入量主要依赖于人工经验控制,导致一次脱硫命中率较低,铸坯质量不稳定。为准确控制脱硫剂加入量,提高一次脱硫命中率,提出一种基于异质堆叠集成学习的脱硫剂加入量预测方... 详细信息

KR搅拌法是铁水预脱硫的重要工艺之一,但在脱硫过程中脱硫剂的加入量主要依赖于人工经验控制,导致一次脱硫命中率较低,铸坯质量不稳定。为准确控制脱硫剂加入量,提高一次脱硫命中率,提出一种基于异质堆叠集成学习的脱硫剂加入量预测方法。首先,进行数据清洗,采用LOF算法结合专家经验剔除异常值。其次,采用最大信息系数结合斯皮尔曼秩相关系数进行特征筛选。最后,引入堆叠集成算法,基于评价指标和误差相关性分析优选模型的不同基学习器,并采用optuna算法为基学习器寻找最优参数组合,建立异质堆叠集成预测模型。以现场采集的脱硫数据作为样本进行实例分析,结果表明,模型的决定系数(R^(2))为91.6%,均方根误差(RMSE)为197.79,平均绝对误差(MAE)为117.14,平均绝对百分比误差(MAPE)为6.95%。

关键词： KR搅拌法脱硫剂加入量特征筛选 optuna 堆叠集成

在线全文

学校读者我要写书评

暂无评论

基于机器学习算法的银行信用卡潜在客户预测

基于机器学习算法的银行信用卡潜在客户预测

作者：孙希南开大学

学位级别：硕士

近年来,随着大数据和人工智能技术的快速发展,机器学习技术渐渐融入到对潜在客户的识别任务中,实现了从传统的人工识别模式到更科学的智能识别模式的转变。这有效提高了银行客户识别的精度,降低人力成本的同时提高了客户转化效率。本文... 详细信息

近年来,随着大数据和人工智能技术的快速发展,机器学习技术渐渐融入到对潜在客户的识别任务中,实现了从传统的人工识别模式到更科学的智能识别模式的转变。这有效提高了银行客户识别的精度,降低人力成本的同时提高了客户转化效率。本文使用某中型私人银行的客户数据,研究对该行所推荐的信用卡产品表现出更高意愿的客户,基于机器学习算法构建银行信用卡潜在客户的预测模型,并输出一些业务建议。论文的主要工作总结如下:(1)首先通过数据预处理和探索性数据分析初步了解了客户数据情况,用传统模型(逻辑回归、决策树)和集成学习算法(随机森林、Xg Boost、LightGBM、CatBoost)对数据进行独立训练,借助optuna工具调节算法超参数,构建多种预测模型。通过综合分析准确率、F1得分、AUC值等模型评估指标发现,LightGBM和CatBoost的模型效果优于其它,故进一步以这两个算法为初级学习器,以LR为元学习器构建Stacking融合模型。实验表明,融合模型比单分类器的预测效果更好。(2)本文数据集的样本类别比例为1:3.2,数据存在不平衡问题。将上述模型结合多种处理不平衡数据问题的方法(随机欠采样、SMOTE过采样、SMOTE+ENN)进行效果对比,发现采样方法对本文构建的模型均有轻微的提升作用,其中SMOTE+ENN方法效果最为显著。最终将结合SMOTE+ENN采样策略的LightGBM+CatBoost融合模型作为该银行信用卡潜在客户识别模型,模型AUC值为0.893211,准确率为87%。(3)根据探索性数据分析结果和特征重要性排序结果,针对本文案例有以下结论建议:中老年男性(40岁以上)且有活跃的信用产品的客户会更倾向于办理本行信用卡;RG283、RG284、RG268地区以及X3渠道的客户转化率相对较高,银行可以考虑加大对这些地区和渠道的投入;企业家对该行信用卡产品有更高的需求和意愿,银行可针对这类人群进行个性化研究。

关键词：集成学习模型融合 optuna 潜在客户不平衡数据

基于改进CatBoost算法的银行电话营销应用研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进CatBoost算法的银行电话营销应用研究

作者：郑薪茹北方民族大学

学位级别：硕士

随着互联网的迅速普及,各行各业开始积极采用机器学习技术,以更有效地管理客户关系,从而实现精准营销的策略。这就要求银行需要更智能、精准化的方法来满足当前不断发展的市场需求,来分析银行现有的客户资源,对客户进行细致的分类,从而... 详细信息

随着互联网的迅速普及,各行各业开始积极采用机器学习技术,以更有效地管理客户关系,从而实现精准营销的策略。这就要求银行需要更智能、精准化的方法来满足当前不断发展的市场需求,来分析银行现有的客户资源,对客户进行细致的分类,从而提高银行的销售效率。本文运用银行电话营销相关的基本信息数据来预测客户购买定期存款的意愿,以实现更为精准的电话营销。本文具体的研究工作如下:(1)对获取的银行电话营销的数据集进行了探索性分析及预处理。先从数据集的类别型特性和数值型特征两个方面进行分析,初步总结特征的规律,然后针对不同的数据缺失问题进行处理,并对不同数据类型的特征进行了合适的编码。(2)构建银行电话营销预测模型。对比分析利用自动超参数优化框架optuna进行超参数寻优后的Categorical Boosting(CatBoost)模型、极限梯度提升模型和轻量级梯度提升机模型,发现CatBoost模型在针对这类数据的分析上表现最优;由于数据集存在不平衡表现,从而引入焦点损失函数(Focal Loss,FL),对CatBoost的损失函数改进,并应用optuna框架对超参数进行重要性分析以及确定超参数的取值,从而构建optuna-FL-CatBoost银行电话营销模型。实验结果表明召回率和AUC得到提升,说明改进后的模型识别正类样本的能力以及预测效果更好。(3)引入SHapley Additive ex Planations(SHAP)解释框架对模型进行可视化分析。为了增加模型的可信度,使决策者更容易接受模型的预测结果,模型的解释分别从单样本、多样本、整体等多角度来探究特征对于银行电话营销的影响规律,总结关键特征对银行电话营销的影响方式和机制,以便在真实的业务场景中,帮助业务人员更直观的分析客户能否被成功营销的原因,提高模型的有效性。

关键词：银行电话营销 CatBoost 不平衡数据 SHAP optuna