基于XGBoost和QRLSTM的超短期负荷预测方法

针对目前超短期电力负荷预测存在特征挖掘不足和难以准确反映电力负荷不确定性信息的问题,提出基于XGBoost和QRLSTM的超短期负荷预测方法.首先采用XGBoost算法挖掘重要特征并生成点负荷预测结果,将二者结合作为概率预测方法的输入特征;其次使用LSTM与弹球损失构造QRLSTM概率预测方法;最后通过核密度估计方法获取电力负荷的概率密度曲线.采用新西兰公共电力负荷数据集进行仿真,结果表明提出的方法不仅可挖掘重要特征,而且更加准确反映电力负荷的不确定性信息.     

数据挖掘技术在高校毕业生就业指导中的应用

随着高校毕业生人数的增加和管理信息系统的应用,产生并积累了大量的、复杂的毕业生就业信息数据.本文利用这些数据,应用数据挖掘技术生成了毕业生就业指导决策树,有助于提高对毕业生就业指导的实效性,实现毕业生更快更好的就业.     

基于GA＿XGBoost的高校毕业生就业能力预测研究

我国的高等教育从精英教育转变为大众教育,从而使高等教育毕业生的规模不断扩大,因此,在高校毕业生规模每年都屡创新高的形势下,科学评价大学生就业能力对于社会发展具有十分重要的意义。本研究针对上述问题提出了釆用SpringBoot+Vue框架搭建一个学生信息管理系统,并提出基于XGBoost和遗传算法相结合的大学生就业预测模型,利用现有数据集对模型进行训练后,预测精度达85%,对于大学生就业能力评价具有一定现实意义。     

基于PCA-XGBoost联合算法的盗窃犯罪预测模型

结合大量犯罪数据特征和行为特征,提出一种PCA-XGBoost联合预测模型。采用PCA算法提取数据集的主要特征;应用XGBoost算法提升预测优化和泛化能力,并通过三种检验方法进行准确率检验。此外,经与XGBoost、CART、RF、NB和LR等分类算法模型的预测结果进行对比,表明PCA-XGBoost联合预测模型对盗窃犯罪数量的预测准确度明显高于其他预测模型,具有较高的应用价值。     

基于FP-growth算法的学生就业指导研究

为了从高校现有海量管理数据中挖掘出隐含的有用信息,本文研究了关联分析的FP-growth算法在高校学生就业指导中应用的可能性,以某校某专业学生就业系统数据为实验数据,给出了挖掘学生和用人单位间就业规则,实验结果证明该算法在学生就业指导中有效可行。     

基于SMOTE和XGBoost的贷款风险预测方法

近年来,随着在线信贷的飞速发展,贷款总量不断加大,违约概率不断提升。因此对贷款风险进行深入研究,对在线信贷企业预防互联网金融风险是非常具有现实意义的。针对贷款数据非平衡分布、大量噪声、维度高的问题,本文提出一种基于SMOTE和XGBoost的贷款风险预测方法。通过特征工程对数据进行降维和去噪;针对数据的非平衡问题,使用SMOTE算法进行过采样,平衡正负样本数目;基于以上工作,构建XGBoost分类模型,与一些传统分类算法进行对比,然后对比在不同正负样本比例时,预测结果的有效性。实验表明,相比于传统分类模型,XGBoost算法在贷款风险预测模型中具有更好的效果,通过SMOTE算法增加少数类样本的比例可以提高预测结果的有效性。     

基于IGWO-XGBoost融合模型的沥青路面抗滑性能评估

为研究沥青路面抗滑性能影响因素,精确预测路面抗滑性能,本文使用Gocator 3110三维智能传感器采集沥青混合料试件表面纹理并使用摆式摩擦仪测试试件表面摩擦系数.针对三维纹理点云数据中的异常数据,提出基于径向基函数(RBF)的邻域插值算法进行数据质量提升.根据修复后的三维纹理点云数据计算出具有代表性的10类宏观纹理特征参数,并采用Pearson系数相关性分析法去除冗余因子,改进模型的输入特征,并构建基于改进灰狼优化算法(IGWO)与XGBoost融合的沥青路面抗滑性能预测模型,预测沥青路面的摩擦系数.结果表明,提出模型的预测精度优于多元线性回归模型、支持向量机回归模型以及基于网格化搜索的XGBoost模型.     

浅谈数据挖掘技术及其在高校就业工作中的应用

随着信息化建设的不断深入,高等院校在教学和管理中积累着大量的、复杂的毕业生就业信息数据。利用数据挖掘技术中的决策数的ID3算法,对这些数据进行分类,找出有利学生就业的一些规律并建立毕业生的就业指导和人才培养等决策信息,从而能够启发相应管理者因材施教,增强学生的综合竞争力,从而推动学校的全面发展。     

考虑频域分解后数据特征的空调负荷预测模型

针对空调负荷预测实际应用中容易存在数据散杂且可用信息匮乏的问题,从负荷序列的非线性、非平稳性和随机性出发,提出了一种基于变分模态分解(VMD)的负荷预测方法.对不同数据特征序列考虑不同算法的数据观测与训练原理差异,充分发挥各个模型优势.首先采用随机森林(RF)进行特征选择,利用VMD将负荷序列按趋势分量、平稳分量和噪声分量进行分类重构,并分别对非线性序列建立最小二乘支持向量机(LSSVM)预测模型,时序平稳序列建立极端梯度提升(XGBoost)预测模型,采用正态分布拟合随机误差,得到各子序列预测结果并进行叠加输出最终负荷预测结果.实验结果表明,所提方法能准确反映负荷的特性并具有更好的预测精度,能有效预测空调负荷,为空调节能优化控制策略提供依据.     

基于数据挖掘的高职学生就业情况的研究

高职毕业生的就业情况是高职教育发展的关键,通过对高职院校的就业数据进行分析,发现有用的信息以提高高职院校毕业生的就业水平是非常必要的。文中用徐州建筑学院的教务系统和就业管理系统的数据作为研究对象,以学生培养和就业指导作为研究目的,通过对学生成绩、课程设置、专业设置、就业数据的挖掘找到了影响学生就业的若干因素。     

基于XGBoost特征选择的疾病诊断XLC-Stacking方法

针对医学疾病数据中存在特征冗余的问题,以XGBoost特征选择方法度量特征重要度,删除冗余特征,选择最佳分类特征;针对识别精度不高的问题,使用Stacking方法集成XGBoost、LightGBM等多种异质分类器,并在异质分类器中引入性能更好的CatBoost分类器提升集成分类器分类精度。为了避免过拟合,选择基层分类器输出的分类概率作为高层分类器输入。实验结果表明,提出的基于XGBoost特征选择的XLC-Stacking方法相比当前主流分类算法以及单一的XGBoost算法和Stacking方法有较大提升,识别的准确率和F1-Score达到97.73%和98.21%,更加适用于疾病的诊断。     

基于LightG BM 的高校就业预测模型

In view of the characteristics of high-dimensional, unbalanced and multi-category employment data, in order to further im- prove the accuracy of decision tree method in the employment prediction of college students, an employment prediction model based on LightGBM is proposed. First the improved ADASYN sampling algorithm is used to increase the minority class in the data sam- ple, and then the employment data after balance is used for training LightGBM algorithm, and Bayesian model is used for parameter optimization to get the final employment prediction. Finally the prediction model is analyzed to measure the influence of each fea- ture on employment. The validity of the proposed method is verified through the data set of unbalanced employment data of college graduates, and compared with various unbalanced classification methods. It is proved that the proposed model has better prediction performance.     

航迹规划策略学习方法研究

分析并研究航迹规划软件中的飞行器操作数据特征,提出一种基于XGBoost算法和K-prototypes算法的航迹规划策略学习方法。在样本采集与分类过程中,根据约束自身特性和规划人员操作特征,将约束分为飞行器环境约束和飞行器特性相关约束,分别采用XGBoost算法和K-prototypes算法进行策略学习,并对飞行器特性相关约束做进一步细分,实现复杂约束的针对性学习及样本分类管理。当航迹不满足约束时,需将已获得的规划策略反馈给规划人员使其得到策略引导。实验结果表明,该方法能准确选取航迹规划策略并给出策略引导信息,降低规划人员的工作强度,提升交互规划效率和规划软件的智能性。     

面向高维和不平衡数据的供应链金融信用评价

针对供应链金融模式下中小企业的信用风险控制问题,提出了一种面向高维和不平衡数据的信用风险预测模型。首先,基于Pearson-XGBoost两阶段特征选择建立供应链金融信用评价指标体系;其次,通过改进的NM-SMOTE算法对数据集进行平衡化;最后,利用Focal loss函数对XGBoost算法改进,并通过改进的粒子群算法进行优化,从而建立最终的信用评价模型。通过实验结果表明,提出的INS-IPSO-FLXGBoost模型对于中小企业具有更好的预测效果,可以更有效地识别风险企业。     

FOCoR:一种基于特征选择优化的课程推荐技术

针对在线教育平台行为日志推荐模型存在的冷启动问题,设计一种融合高校选课数据的课程推荐方法FOCoR。首先,提出基于遗传算法的特征选择技术FSBGA (Feature Selection Based on Genetic Algorithm),然后再以特征选择的结果作为输入,基于梯度提升树LightGBM技术构建推荐模型来进行课程推荐。具体地,在提出的FSBGA算法中,构造结合模型损失和特征数量的适应度函数,并在高校选课数据的特征子集空间中搜索出兼顾模型损失和特征数量的最优特征子集。与基于互信息、F检验的特征选择方法相比,在FSBGA算法所选出的特征子集上训练的选课模型在AUC、F1分数、对数损失这3项指标上均优于其它特征选择算法。为了验证本文工作的有效性,将FOCoR与LightGBM、XGBoost、决策树、随机森林、逻辑回归等算法在真实数据集上进行实验和性能评估,结果表明FOCoR在F1分数上取得了最好的性能。     

基于Stacking模型融合的光伏发电功率预测

为了提高光伏发电输出功率的预测精度和可靠性,本文提出一种基于Stacking模型融合的光伏发电功率预测方法.选取某光伏电站温度、湿度、辐照度等历史实测数据为研究对象,在将光伏发电功率数据进行特征交叉以及基于模型的递归特征消除法进行预处理和特征选择的基础上,以XGBoost、LightGBM、RandomForest 3种机器学习算法作为Stacking集成学习的第一层基学习器,以LinearRegression作为第二层元学习器,构建了多个机器学习算法嵌入的Stacking模型融合的光伏发电功率预测模型.预测结果表明,该方法的R²、MSE分别达到了0.9874和0.1056,相较于单一的机器学习模型,预测精度显著提升.     

基于XGBoost与拓扑结构信息的蛋白质复合物识别算法

蛋白质相互作用(PPI)网络中存在大量不确定性及已知蛋白质复合物数据的不完整性,单独地根据结构信息进行搜索或对已知复合物进行监督学习的方法在识别蛋白质复合物的准确性上存在不足。对此,提出一种XGBoost模型与复合物拓扑结构信息相结合的搜索方法(XGBP)。首先,根据复合物拓扑结构信息进行特征提取;然后,把所提取的特征用XGBoost模型进行训练;最后,将拓扑结构信息与监督学习方法相结合,建立特征与复合物之间的映射关系以提高蛋白质复合物预测的准确性。该算法分别与目前流行的马尔可夫聚类算法(MCL)、极大团聚类方法(CMC)、基于核心-附属结构算法(COACH)、快速层级聚类算法(HC-PIN)、基于重叠邻居的扩展聚类(ClusterONE)、分子复合物检测算法(MCODE)、基于不确定图模型的蛋白质复合物检测方法(DCU)和加权核心-附属算法(WCOACH)这八种非监督学习算法和三种监督学习方法贝叶斯网络(BN)、支持向量机(SVM)、回归模型(RM)进行比较,所提方法在精准度、敏感度、F-measure方面显示出良好的性能。     

Apriori算法在毕业生就业指导中的研究

随着高校毕业生人数的增加和管理信息系统的应用,产生并积累了大量的、复杂的毕业生就业信息数据。文章以这些数据作为挖掘对象。利用Apriori算法找出影响毕业生就业率的频繁出现因素,有助于提高对毕业生就业指导的实效性。实现毕业生更快更好的就业。     

基于集成学习的上市公司高送转预测实证研究

我国证券市场中高送转题材股备受中小投资者的追捧,但市场中也存在着借高送转概念炒作的乱象,如何利用上市公司的财务数据挖掘真正有潜力的股票无疑具有重要意义。采用2?158家制造业上市公司7年的财务指标作为研究数据,利用采样、特征选择以及集成学习算法构建上市公司高送转预测模型并进行实证研究。结果显示：采样和特征选择方法均能有效提高集成预测模型的性能;相较于数据集中的冗余信息,数据不平衡问题对模型预测准确率的影响更显著;ADASYN+mRMR+XGBoost组合模型取得了最好的预测结果,高送转样本的分类准确率达到84.96%,建议投资者优先选用该组合模型对上市公司的高送转情况进行预测。