基于人工智能算法的投诉用户质差小区定位及预测的方法研究

目前LTE及GSM的质差小区投诉定位主要是依靠用户投诉的地址回放分析附近小区是否存在性能、告警上的裂变,如无则安排人员现场测试信号强度、干扰等。为了解决自动定位投诉质差小区,创新性提出以数据驱动来实现业务规则自动化,充分考虑用户投诉的时间和问题、网络交互信令、无线性能指标和告警等海量数据,运用人工智能技术中的逻辑回归及决策树算法训练出“2G语音、VoLTE语音及数据业务的投诉质差小区定界模型、质差小区预测模型及问题网元”,更快速,更智能,更准确输出语音及数据业务投诉原因、质差小区及质差原因,并对潜在质差小区进行预测,对无线规划、基站建设、故障处理、网络改造等方面的工作也具有积极指导意义。     

基于聚类的数据加权优化在犯罪预测中的应用

近年来，我国传统暴力犯罪与成年人犯罪呈下降态势，但是，犯罪案由层出不穷。为有效提升公安实践工作中犯罪预测能力，打击各类违法犯罪事件,本文针对犯罪数据，提出一种新型犯罪预测模型。利用密度聚类分析方法将犯罪数据分类，然后进行数据降维提取关键属性生成特征数据，继而对特征数据进行加权优化并采用机器学习的方式对特征数据进行学习，从而预测犯罪案由。实验结果表明，与传统方法相比，本文方法具有更好的预测效果，为公安实践工作中类似案件的侦破和预防，提供新的路径支撑。     

基于改进的RS-TOPSIS模型的岩爆倾向性预测

针对目前岩爆倾向性中预测模型权重确定存在不足导致模型精度不高的现状，为更准确地预测岩爆倾向性，提出综合运用粗糙集理论中的代数观和信息观，确定属性最优权重，并修正岩爆倾向性与评价指标之间的关系，建立岩爆等级理想点矩阵。根据岩爆发生条件，选取岩石脆性指数、切应力指标和弹性应变能指数3项指标作为岩爆判别指标，以国内外20组典型岩爆数据为样本，建立改进的粗糙集—理想点法（RS-TOPSIS）岩爆倾向性预测模型，并应用该模型对玲珑金矿等工程实际进行了岩爆倾向性预测。结果表明：改进后样本预测精度相比于改进前有了显著提高，所建立的模型对实际工程的岩爆倾向性预测效果良好，预测结果更准确。     

基于注意力机制与文本信息的用户关系抽取

随着社交媒体的发展,用户之间的关系网络对于社交媒体的分析有很大的帮助。因此,该文主要研究用户好友关系检测。以往的关于用户好友关系抽取的研究主要基于社交媒体上的结构化信息,比如其他好友关系,用户的不同属性等。但是,很多时候用户本身并没有大量的好友信息存在,同时也不一定有很多确定的属性。因此,我们希望基于用户发表的文本信息来对用户关系进行预测。不同于以往的潜在好友推荐算法,该文提出了一种基于注意力机制以及长短时记忆网络(long short-term memory,LSTM)的好友关系预测模型,将好友之间的评论分开处理,通过分析用户之间的评论来判断是否具备一定的好友关系。该模型将好友双方信息拼接后的结果作为输入,并将注意力机制应用于LSTM的输出。实验表明,用户之间的评论对于好友关系预测确实有较大的实际意义,该文提出的模型较之于多个基准系统的效果,取得了明显的提升。在不加入任何其它非文本特征的情况下,实验结果的准确率达到了77%。     

腹腔手术后重症患者心肌损伤的危险因素

目的探讨腹腔手术后重症患者心肌损伤的发生情况及可能的危险因素。方法回顾性分析北京大学人民医院2017年1月至2019年1月腹腔手术后重症患者的一般临床资料及心肌损伤情况,收集并观察基础病史、术中(手术时间、是否急诊手术、术中出血>800 ml和术中低血压等)及术后指标(改良氧合指数、血乳酸、急性肾损伤和术后24 h内使用升压药情况等)。根据术后是否发生心肌损伤,将患者分为心肌损伤组和非心肌损伤组,采用Logistic回归分析腹腔手术后重症患者心肌损伤的危险因素。结果在纳入的803例腹腔手术后重症患者中,心肌损伤发生率为17. 2%(138/803),而急性心肌梗死发生率仅为0. 9%(7/803)。单因素分析显示,慢性肾功能不全病史、手术时间、急诊手术、术中低血压、术后24 h内使用升压药、高APACHEⅡ评分及术后即刻急性肾损伤与术后重症患者心肌损伤相关(P<0. 05)。多因素回归分析显示,急诊手术(OR=3. 14,95%CI:1. 76～5. 60,P<0. 001)、术后24 h内使用升压药(OR=2. 26,95%CI:1. 23～4. 15,P=0. 008)、APACHEⅡ评分(OR=1. 05,95%CI:1. 01～1. 09,P=0. 008)和术后急性肾损伤(OR=3. 18,95%CI:1. 78～5. 69,P <0. 001)与腹腔手术后重症患者发生心肌损伤独立相关。结论重症患者腹腔手术后心肌损伤发生率高,急诊手术、术后24 h内使用升压药、高APACHEⅡ评分和术后急性肾损伤是导致腹腔手术后重症患者发生心肌损伤的独立危险因素。     

基于强化学习的HP模型优化方法研究

蛋白质结构预测问题一直是生物信息学中的重要问题。基于疏水极性模型的蛋白质二维结构预测问题是一个典型的NP难问题。目前疏水极性模型优化的方法有贪心算法、粒子群算法、遗传算法、蚁群算法和蒙特卡罗模拟方法等，但这些方法成功收敛的鲁棒性不高，容易陷入局部最优。由此提出一种基于强化学习的HP模型优化方法，利用其连续马尔可夫最优决策与最大化全局累计回报的特点，在全状态空间中，构建基于能量函数的奖赏函数，引入刚性重叠检测规则，充分挖掘生物序列中的全局进化关系，从而进行有效与稳定的预测。以3条经典论文序列和5条Uniref50序列为实验对象，与贪心算法和粒子群算法分别进行了鲁棒性、收敛性与运行时间的比较。贪心算法只能在62.5%的序列上进行收敛，该文方法能在5万次训练后稳定的在所有序列上达到了收敛。与粒子群算法相比，两者都能找到最低能量结构，但该文的运行时间较粒子群算法降低了63.9%。     

高温深井通风降温技术的适用条件研究

随着矿山开采深度的不断增加，“三高一扰动”恶劣开采环境问题日益突出，给矿井通风降温工作带来极大困难。对于深井矿山，仅采用通风降温难以满足深部开采的需要，系统研究高温深井矿山通风降温技术的适用性问题，对矿山深部开采具有重要的理论意义和工程适用价值。首先从热力学角度，揭示风流在通风线路中的热交换规律；其次利用差分法原理计算深井筒风流温度，并依此推导出巷道和回采工作面风流温度变化趋势；然后结合采场安全生产允许温度进行反推，最终获取通风降温条件下的可采极限深度计算公式，并选取广西铜坑矿锌多金属矿体作为工程应用试验区进行论证分析。结果表明：基于风流的热交换模型可以推导出风流在井筒、巷道及工作面的温度计算公式，该公式与低温梯度、风流流经路径长度有关；假定工作面温度达到安全开采允许最高温度，可反推出该条件下矿山可采极限深度和巷道通风极限长度（仅采用通风降温措施时）；基于铜坑矿区锌多金属矿的实际条件，代入相关数据，验证计算所得极限开采深度符合实际，即所推导公式是可行的。     

基于空间合作关系的基站流量预测模型

针对传统的自回归积分移动平均（ARIMA）模型和长短时记忆（LSTM）单元在基站流量预测中没有利用基站（BS）间合作关系的问题，提出一种利用由用户群体在不同基站下访问产生的基站合作关系的流量预测（TPBC）算法。首先，通过基站之间的合作关系构建基站合作网络，并对此合作网络进行社区划分得到基站社区；然后，通过格兰杰因果关系检验方法寻找与目标基站同一社区且关系最紧密的若干基站，作为目标基站的合作基站；最后，使用LSTM和词嵌入层（Embedding）搭建混合神经网络，并根据目标基站和合作基站的流量信息进行流量预测。实验结果表明，TPBC在基站流量预测上的均方根误差（RMSE）相比ARIMA和LSTM分别减小了29.19%和27.47%。TPBC能有效提高基站流量预测准确率，在流量卸载和绿色节能等领域具有重要意义。     

基于深度卷积长短时神经网络的视频帧预测

针对视频帧预测中难以准确预测空间结构信息细节的问题，通过对卷积长短时记忆（LSTM）神经网络的改进，提出了一种深度卷积长短时神经网络的方法。首先，将输入序列图像输入到两个不同通道的深度卷积LSTM网络组成的编码网络中，由编码网络学习输入序列图像的位置信息变化特征和空间结构信息变化特征；然后，将学习到的变化特征输入到与编码网络通道数对应的解码网络中，由解码网络输出预测的下一张图；最后，将这张图输入回解码网络中，预测接下来的一张图，循环预先设定的次后输出全部的预测图。与卷积LSTM神经网络相比，在Moving-MNIST数据集上的实验中，相同训练步数下所提方法不仅保留了位置信息预测准确的特点，而且空间结构信息细节表征能力更强。同时，将卷积门控循环单元（GRU）神经网络的卷积层加深后，该方法在空间结构信息细节表征上也取得了提升，检验了该方法思想的通用性。     

基于改进灰色-多元回归组合预测模型的燃煤电厂智慧水务研究

以某燃煤电厂水务系统为研究对象，对机组运行参数和水量历史数据进行筛选和关联性分析，根据前期水平衡测试结果，结合响应面分析验证，发现机组负荷、蒸发损失系数、浓缩倍率和循环水温升这四个因素能够对全厂供水量产生关键性影响。基于灰色理论和多元非线性回归分析，分别建立各因素的灰色预测模型GM(1, 1)，再将灰色模型预测值作为自变量输入到多元非线性回归方程中，得到了改进灰色-多元非线性回归组合的供水量预测模型，其模型拟合度R²为0.913且与真实值的平均相对误差为6.9%左右，实现了灰色模型和回归模型优势互补，有效地预测该电厂供水量未来变化；而供水量预测是智慧水务建设的关键所在，是水务管理和智能调度的主要依据，也是实现供水管网漏损和仪表故障报警的重要途径。