检索结果-南通市图书馆

基于改进的stacking集成模型的容器云负载预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机应用与软件 2023年第12期40卷 48-55,100页

作者：梁荣华谢晓兰翟青海张启明桂林理工大学信息科学与工程学院广西桂林541006

容器云的迅速发展使业务量迅速增加,对容器资源利用率的未来趋势进行预测,从而提前分配资源来提高资源的利用率并且降低资源的浪费是一种合理的做法。为了实现对容器云资源的合理预测,提出一种基于改进的stacking集成方法的云资源负载... 详细信息

容器云的迅速发展使业务量迅速增加,对容器资源利用率的未来趋势进行预测,从而提前分配资源来提高资源的利用率并且降低资源的浪费是一种合理的做法。为了实现对容器云资源的合理预测,提出一种基于改进的stacking集成方法的云资源负载预测模型。模型的第一阶段是通过设立基学习器对云资源负载数据进行特征选择,降低数据集特征的复杂度。第二阶段是使用GA-BP神经网络模型改进的DBN模型(DBN-GA-BP)对第一阶段的特征选择数据进行集成预测。实验结果表明,与单一模型和未改进的stacking模型对比,该模型具有更高的预测精度。

关键词： stacking集成模型遗传算法深度信念网络云资源资源预测

基于stacking集成模型的重庆市主城区二手房成交价格影响因素及预测研究

在线全文

学校读者我要写书评

暂无评论

基于Stacking集成模型的重庆市主城区二手房成交价格影响因素及预...

作者：陈渝重庆工商大学

学位级别：硕士

住房问题是关乎国计民生的重要问题,而二手房交易市场的稳定发展是解决住房问题的重要环节,因此对二手房房价的影响因素研究具有一定的理论价值和现实意义。目前多数学者主要集中于对二手房房屋均价和挂牌价格等方面的研究,而成交价格... 详细信息

住房问题是关乎国计民生的重要问题,而二手房交易市场的稳定发展是解决住房问题的重要环节,因此对二手房房价的影响因素研究具有一定的理论价值和现实意义。目前多数学者主要集中于对二手房房屋均价和挂牌价格等方面的研究,而成交价格更能反映房屋的真实价值,但对这方面的研究相对欠缺。本文以重庆市主城区二手房成交价格为研究对象,分析重庆房地产市场交易现状,构建了影响成交价格的特征变量原始集,并利用数据清洗和变换,再进行了特征变量的选取。基于二手房成交价格数据,进行了统计回归模型的建模探索性分析,将其与机器学习经典算法进行对比分析,挖掘重要影响因素,根据模型评价指标优选出stacking集成模型,凸显了stacking集成模型稳定性好、预测准确率高、具有很好的泛化能力等方面优势。并将其用于二手房成交价格的预测。由此分析了重庆市主城区二手房市场存在的主要问题,并提出相应对策建议。具体如下:首先,基于已有研究成果,从宏观和微观角度,对经济因素、区位特征、建筑特征、邻里环境和交易指标共5个层面进行了研究考量,建立初始特征变量集,结合实际情况从初始变量集中选取有代表性的特征变量,通过爬虫技术获得相关数据。对数据进行清洗与变换处理,结合包裹式特征选择法和嵌入式特征选择法对特征变量进行降维处理,最终通过选择得到44个特征变量,并对特征变量与因变量成交价格进行了相关性分析。其次,为了进一步挖掘重要影响因素和构建预测模型,基于模型对变量重要性评分,并通过模型效果比较选出最优模型用于预测。第一,结合交叉验证和网格搜索法,分别构建Ridge回归、Lasso回归、随机森林、XGBoost、支持向量机、K最近邻和人工神经网络模型,通过RMSE、MAE和评价指标对模型预测效果进行评价,选出较优模型,其中随机森林模型预测效果最好,Ridge回归和Lasso回归模型预测效果最差。第二,利用Lasso回归、随机森林和XGBoost模型能提取重要变量的优势,通过系数和重要性得分,得到二手房成交价格重要影响因素。第三,基于单一模型中较优模型,通过组合分别构建权重组合模型和stacking集成模型,利用模型评价指标对组合模型预测效果进行检验,通过实证得出stacking集成模型优于单一模型和权重组合模型,模型具有稳定性好、预测误差小等优点。基于构建的stacking集成模型对重庆市主城区二手房成交价格进行了预测。最后,根据对重庆主城二手房市场成交情况现状分析、变量重要性得分和stacking集成模型构建的综合分析,发现重庆主城二手房市场存在的主要问题有:区域经济发展不平衡,二手房房价差距大;房地产开发商开发不合理,配套设施跟不上;二手房行业规范性亟需改善,交易价格不对称。由此提出的对策建议为:因区施策,重视经济发展区域差异;合理开发,与城市规划协调发展;科学定价,注重服务管理规范化;理智决策,引导理性购房、卖房。

关键词：二手房市场成交价格预测影响因素 stacking集成模型

基于stacking集成模型对中国艾滋病发病风险的预测研究

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Stacking集成模型对中国艾滋病发病风险的预测研究

作者：王美玲中国医科大学

学位级别：硕士

目的:本研究主要通过分析2011年1月至2020年12月全国艾滋病的流行特征和变化规律,筛选出与我国艾滋病发病相关的百度关键词,并分析其百度搜索指数(Baidu Search Index,BSI)和全国艾滋病月报告发病数之间的关系,从而将其用于艾滋病流行... 详细信息

目的:本研究主要通过分析2011年1月至2020年12月全国艾滋病的流行特征和变化规律,筛选出与我国艾滋病发病相关的百度关键词,并分析其百度搜索指数(Baidu Search Index,BSI)和全国艾滋病月报告发病数之间的关系,从而将其用于艾滋病流行预测。探索随机森林模型(Random Forest,RF)、梯度提升机模型(Gradient Boosting Machine,GBM)、反向传播人工神经网络模型(Back-propagation Artificial Neural Network,BP-ANN)以及stacking集成模型在艾滋病发病短期预测中的应用,比较单层机器学习模型和stacking集成模型预测艾滋病病例的准确性。此外,我们还重点探讨2020年新型冠状病毒感染疫情及其控制措施对全国艾滋病流行的影响。方法:以2011-2018年的数据作为训练集来拟合模型,2019年的数据作为测试集来评估不同模型的预测精度,2020年的数据用来研究新型冠状病毒感染对艾滋病报告发病数的影响。在stacking集成算法中使用了三种机器学习模型,分别采用随机森林、梯度提升机和反向传播人工神经网络模型构建基学习模型,并利用深度学习作为元学习器对上述三个基学习模型进行叠加,进一步调参以确定堆叠集成中的最佳stacking集成模型。此外,采用均方根误差(Root Mean Squard Error,RMSE)、平均绝对误差(Mean Absolute Error,MAE)和平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)3个精度指标对4种模型的拟合和预测性能进行了检验。结果:1、2011年1月至2020年12月全国累计报告艾滋病病例551,053例,每年各月均有发病报告。艾滋病发病具有相似的季节性,总体来看,发病高峰出现在11-12月,发病低峰出现在1-2月。2、选取相关性大于0.6的关键词纳入研究,包括:“aids”、“艾滋病病毒”、“艾滋病传播”、“艾滋病传染途径”、“艾滋病潜伏期症状”共五个关键词。特定关键字的百度搜索指数与艾滋病报告病例数之间存在较大的相关性,可用于艾滋病发病风险预测的研究。3、stacking集成模型优于其他单一的机器学习算法,模型泛化能力更强。三种基学习模型的RMSE分别是486.014、477.116和436.537;MAE分别是332.255、371.235和376.235;MAPE(%)分别是6.129、6.319和7.027。利用叠加技术将上述三种基学习模型叠加后,stacking集成模型的RMSE、MAE和MAPE(%)分别降至367.861、286.260和5.267。4、根据我们的模型预测值,2020年实际报告的艾滋病病例数比预测值少11154例,百分比下降了15.010%。结论:1、2011年到2014年全国艾滋病报告病例数呈现先增高后下降的变化,从2014年开始全国艾滋病病例数逐年增加,在2019年达到顶峰之后呈现下降的趋势。2、将艾滋病历年报告病例数滞后1到12阶处理后的数据结合相关关键词历年百度搜索指数构建stacking集成模型对于全国艾滋病的短期预测可行,且加入相关关键词的百度搜索指数能够提高stacking集成模型的预测精度。3、对比单层机器学习模型和stacking集成模型,无论是训练集还是测试集,stacking集成模型的MAE、RMSE和MAPE的值均小于单层机器学习模型。因此,stacking集成模型的表现优于单层机器学习模型,其在拟合和预测艾滋病发病数的准确度最高,更适合预测全国艾滋病流行趋势,对传染病预测具有重要意义。4、受新型冠状病毒感染疫情影响,2020年全国艾滋病报告病例数有所下降。

关键词：艾滋病百度搜索指数 stacking集成模型新型冠状病毒感染

基于mRMR-BO优化stacking集成模型的NO_(x)浓度动态软测量

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

热力发电 2023年第10期52卷 122-128页

作者：金秀章乔鹏史德金华北电力大学控制与计算机工程学院河北保定071003

针对火电厂选择性催化还原(selective catalytic reduction,SCR)烟气脱硝系统中,由于影响入口NO_(x)质量浓度因素过多及系统大迟延大惯性,导致入口NO_(x)质量浓度难以准确及时测量的问题,提出了利用最大相关-最小冗余算法(max-relevance... 详细信息

针对火电厂选择性催化还原(selective catalytic reduction,SCR)烟气脱硝系统中,由于影响入口NO_(x)质量浓度因素过多及系统大迟延大惯性,导致入口NO_(x)质量浓度难以准确及时测量的问题,提出了利用最大相关-最小冗余算法(max-relevance and min-redundancy,mRMR)结合贝叶斯优化算法(Bayesian optimization,BO)优化stacking集成模型的SCR烟气脱硝系统入口NO_(x)质量浓度动态软测量模型。针对动态NO_(x)生成过程中静态单一模型预测精度降低及辅助变量与入口NO_(x)质量浓度时间异步的问题,利用mRMR-BO结合模型进行辅助变量筛选,Copula熵(copula entropy,CE)确定辅助变量迟延,BO结合模型确定辅助变量阶次,将TCN及LASSO利用stacking法集成,使用含有迟延时间及阶次信息的辅助变量构建动态stacking集成软测量模型。仿真结果显示:集成模型较TCN及LASSO单一网络的均方根误差、平均绝对误差、平均绝对百分比误差最小;动态集成模型对比静态集成模型,预测精度更高,能够实现对入口NO_(x)质量浓度的准确软测量。

关键词： NO_(x)动态建模最大相关-最小冗余贝叶斯优化 stacking集成模型

基于Null Importance和stacking模型的知识追踪研究

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

中国科技论文在线精品论文

中国科技论文在线精品论文 2024年第2期17卷 174-182页

作者：梁开迪张丽华北京邮电大学理学院北京100876

为应对基于游戏的学习平台在知识追踪应用方面的不足,本研究利用Field Day Lab提供的教育游戏用户日志进行深入分析。采用方差法和Null Importance方法对数据集进行降维处理,并结合K折交叉验证与LightGBM算法,建立了一个高效的预测模型... 详细信息

为应对基于游戏的学习平台在知识追踪应用方面的不足,本研究利用Field Day Lab提供的教育游戏用户日志进行深入分析。采用方差法和Null Importance方法对数据集进行降维处理,并结合K折交叉验证与LightGBM算法,建立了一个高效的预测模型。此外,通过集成Logistic模型,构建起stacking模型。研究表明,该模型在验证集上的Macro-F1值显著提升至0.699,同时也在测试集上显示出优异的泛化能力。本研究为教育游戏领域的知识追踪提供了创新方法,并为游戏开发与教育实践提供了宝贵参考,支持教育游戏的开发者为学生创造更有效的学习体验。

关键词：人工智能知识追踪 Null Importance stacking集成模型

基于stacking集成学习的剩余使用寿命预测

在线全文

学校读者我要写书评

暂无评论

计算机集成制造系统 2024年第7期30卷 2464-2473页

作者：韩腾飞李亚平南京林业大学经济管理学院江苏南京210037

剩余使用寿命(RUL)预测对于设备维护策略的制定有着关键作用。面对可变环境和多样的操作条件,单一寿命预测模型的性能波动较大,泛化能力弱。针对这一问题,提出一种融合多个相异模型的stacking集成模型,纠正单一模型的预测误差。首先,对... 详细信息

剩余使用寿命(RUL)预测对于设备维护策略的制定有着关键作用。面对可变环境和多样的操作条件,单一寿命预测模型的性能波动较大,泛化能力弱。针对这一问题,提出一种融合多个相异模型的stacking集成模型,纠正单一模型的预测误差。首先,对状态监测数据进行滑动时间窗口处理,获得具有时间序列信息的性能退化数据;然后,以提高模型的准确性和多样性为目标,确定基学习器的种类;最后,将梯度提升决策树(GBDT)作为元学习器,整合基学习器的预测结果,输出最终结果。基于NASA C-MAPSS数据集,对提出的集成模型进行验证,结果表明:stacking集成模型的预测精度显著高于基学习器,与其他传统预测模型相比,也具有明显优势。

关键词： stacking集成模型剩余寿命预测滑动时间窗口集成学习

基于stacking的模型集成研究及其在PM2.5浓度预测中的应用

在线全文

学校读者我要写书评

暂无评论

基于Stacking的模型集成研究及其在PM2.5浓度预测中的应用

作者：刘俊扬兰州交通大学

学位级别：硕士

近年来,空气污染问题愈发严重,我国已逐渐成为全球空气重污染区域之一。空气污染不仅阻碍城市交通运转,还会影响人体健康。PM2.5作为大气污染物的一项主要成分,了解相关影响因素、理清其变化规律,合理地预测其浓度,对居民和政府进行污... 详细信息

近年来,空气污染问题愈发严重,我国已逐渐成为全球空气重污染区域之一。空气污染不仅阻碍城市交通运转,还会影响人体健康。PM2.5作为大气污染物的一项主要成分,了解相关影响因素、理清其变化规律,合理地预测其浓度,对居民和政府进行污染防控有重大帮助。本文选取了北京市2010年1月1日至2014年12月31日共5年的PM2.5浓度数据和对应的气象数据,试图通过数据分析和算法模型来展示PM2.5浓度的变化并做出预测。本文的主要工作内容如下:首先,用热力图展示PM2.5浓度与各气象因子之间的皮尔逊相关系数,再单独两两分析PM2.5浓度与各气象因子之间的变化关系,并以折线图的形式呈现数据的变化趋势。然后对数据进行预处理,利用滑动窗口将预处理之后的数据转化为多窗口数据,之后分别代入Lasso多元线性回归模型、SVR模型、XGBoost模型、LSTM四种模型进行训练,采用网格搜索算法来确定参数值。再分别用上述4个模型对1小时后的PM2.5浓度做出预测,分析预测值与真实值的拟合图以及各模型的RMSE值、MAE值、拟合优度,发现LSTM模型的预测效果最好,XGBoost次之,然后是SVR,最后是Lasso多元线性回归模型。最后基于上述4个模型构造stacking集成模型,再次对1小时后的PM2.5浓度预测,并将结果与之前4个模型的预测效果比对,发现无论是从预测值与真实值的拟合图还是模型的3项指标RMSE值、MAE值、拟合优度来看,stacking集成模型都是预测最准确,效果最好的。同样利用上述模型再对3小时后的PM2.5浓度进行预测,各模型的预测效果相较于1小时后的PM2.5浓度预测效果有所下降,这是由于数据存在更长的滞后期,但5个模型中仍然是stacking集成模型的效果最好。综上所述,本文所采用的stacking集成模型能在PM2.5浓度预测中提升各模型的精度,为PM2.5浓度预测和stacking集成模型的研究提供参考。

关键词： PM2.5 气象因子滑动窗口网格搜索 stacking集成模型

stacking集成学习应用于近视矫正中的角膜塑形镜临床验配

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

Journal of Donghua University(English Edition) 2024年第2期41卷 184-194页

作者：巩家铭李康妹胡俊陈浩曹倩倩吴戈东华大学机械工程学院上海201620 东华大学人工智能研究院上海201620 上海工业大数据工程技术研究中心上海201600 温州医科大学附属眼视光医院浙江温州325000

针对角膜塑形(orthokeratology,OK)镜临床验配难度系数大和过程繁琐费力的问题,提出一种stacking集成学习方法预测OK镜参数值,实现OK镜智能验配。通过基于F检验的特征衍生和基于方差-改进Boruta算法的特征选择,构建出最适合目标变量的... 详细信息

针对角膜塑形(orthokeratology,OK)镜临床验配难度系数大和过程繁琐费力的问题,提出一种stacking集成学习方法预测OK镜参数值,实现OK镜智能验配。通过基于F检验的特征衍生和基于方差-改进Boruta算法的特征选择,构建出最适合目标变量的特征集合。研究了以随机森林(random forest,RF)、梯度提升决策树(gradient boosting decision tree,GBDT)和支持向量回归(support vector regression,SVR)作为第一层基学习器,线性回归(linear regression,LR)作为第二层元学习器的stacking集成学习预测模型。实验结果表明模型预测结果和临床诊断结果高度一致,验证该模型可作为一种有效的辅助临床验配方法。

关键词：角膜塑形(OK)镜特征工程 stacking集成模型参数预测智能验配

基于FIR-stacking的刀具磨损预测

在线全文

学校读者我要写书评

暂无评论

组合机床与自动化加工技术 2024年第4期 87-91页

作者：李备备陈春晓郑飂默张强中国科学院沈阳计算技术研究所沈阳110168 中国科学院大学北京100049 沈阳中科数控技术股份有限公司沈阳110168

针对铣刀加工工件时传感器信号存在噪声、单一传统机器学习模型预测效果不理想的问题,提出一种基于自适应FIR滤波器和stacking集成模型的刀具磨损预测方法。首先,采用自适应FIR滤波器去噪,计算时域、频域和时频域常用统计量作为信号特征... 详细信息

针对铣刀加工工件时传感器信号存在噪声、单一传统机器学习模型预测效果不理想的问题,提出一种基于自适应FIR滤波器和stacking集成模型的刀具磨损预测方法。首先,采用自适应FIR滤波器去噪,计算时域、频域和时频域常用统计量作为信号特征,并对同一信号的多源信号特征进行拼接,经Pearson相关系数筛选保留相关系数大于0.2的特征;最后,以LightGBM、支持向量回归(support vector regression,SVR)、多层感知机(multilayer perceptron,MLP)作为基模型,Lasso作为元模型,构建stacking集成模型进行刀具磨损预测。使用铣削加工数据集进行验证,结果表明该方法可有效提高预测准确性。

关键词：刀具磨损预测 FIR滤波器 stacking集成模型机器学习