基于主动学习的离群点集成挖掘方法研究

离群点检测任务通常缺少可用的标注数据，且离群数据只占整个数据集的很小一部分，相较于其他的数据挖掘任务，离群点检测的难度较大，尚没有单一的算法适合于所有的场景。因此，结合多样性模型集成和主动学习思想，提出了一种基于主动学习的离群点集成检测方法OMAL（Outlier Mining based on Active Learning）。在主动学习框架指导下，根据各种基学习器的对比分析，选择了基于统计的、基于相似性的、基于子空间划分的三个无监督模型作为基学习器。将各基学习器评判的处于离群和正常边界的数据整合后呈现给人类专家进行标注，以最大化人类专家反馈的信息量；从标注的数据集和各基学习器投票产生的数据集中抽样，基于GBM（Gradient BoostingMachine）训练一个有监督二元分类模型，并将该模型应用于全数据集，得出最终的挖掘结果。实验表明，提出方法的AUC有了较为明显的提升，且具有良好的运行效率，具备较好的实用价值。     

电网环保生态大数据平台功能构架

提出了电网环保生态大数据平台的主体功能构架，从电网环保全过程管理的角度，围绕提高环保监督效果和工作效率的需求，为平台设计了生态红线监控管理、电网环保应用管理、环境监测管理、噪声监测管理、水保空地一体监测和系统管理六大模块，对多个关键数据与指标进行动态监测和资源管理，并对大数据平台建设中涉及到的数据存储、数据挖掘以及可视化人工交互技术进行了研究与探索。电网环保大数据平台的功能构架探讨，可为大数据在该领域的应用以及电网项目环保管理高质量运行与决策提供有益参考。     

大数据背景下工程投资估算指标编制方法研究

在现行估算指标逐渐不能满足市场变化需求的情况下,分析了传统估算指标编制方法目前存在的主要问题,提出一种基于大数据技术的估算指标编制方法。通过分析大数据技术在估算指标编制中的应用过程,提出了一种基于数据挖掘C4.5算法的估算指标编制方法,综合考虑时间因素对指标的影响,利用敏感性分析对估算指标做一定调整,最后通过算例验证了该方法的实用性,对理论与实践应用均有一定的指导作用。