基于双层XGBoost算法的台区用户超短期负荷预测

台区用户超短期负荷预测的影响因素较多,使得预测结果准确率有所下降,文中提出基于双层XGBoost算法的台区用户超短期负荷预测方法。利用双层XGBoost算法构建超短期负荷预测模型,使用双层协同校正方法校正模型的基准层与实时层。充分考虑超短期负荷预测的影响因素,选取相似负荷向量构成低秩矩阵,使用非线性插值方法填充缺失值,以此实现模型求解,得到台区用户超短期负荷预测结果。由实验结果可知,该方法的预测准确率最高值为99.15%,均方根误差最小值为0.02,预测结果更为精准。     

基于XGBoost和LSTM的智能监控系统研究

本文对基于XGBoost和LSTM的智能监控系统进行研究,阐述了异常检测和趋势预测的实现,将智能监控系统与传统固定阈值报警进行实验对比,并观察数据的真实趋势和预测趋势,研究结果表明本文提出的智能监控系统可以提高异常检测的准确率,趋势预测效果较好。     

基于改进XGBoost算法的电力中长期负荷预测

为提高电力中长期负荷预测的精度,提出一种基于改进XGBoost算法的负荷预测方法。首先考虑影响负荷的多种因素,提取特征向量;其次,利用XGBoost方法对特征变量的相关性进行计算和选择;最后,基于特征选择后的负荷数据,构建XGBoost电力中长期负荷预测模型。在某地区真实历史负荷数据集上的实验结果表明,相较于LASSO等传统负荷预测方法,所提出的方法能够显著降低平均绝对误差（Mean Absolute Error,MAE）等多种预测误差指标。相较于原始XGBoost方法,所提方法的MAE值降低了9.35%,平均绝对百分误差（Mean Absolute Percentage Error,MAPE）值降低了8.89%,均方误差（Mean Square Error,MSE）值降低了22.66%,均方根误差（Root Mean Square Error,RMSE）值降低了12.07%,验证了所提方法能够有效提升电力中长期负荷预测精度。     

基于随机森林和XGBoost的铁路工期指标预测方法研究

铁路工期指标为组织铁路施工提供了基础数据支撑。为准确预测铁路工期指标,本文提出了一种基于随机森林(RF)和XGBoost的工期指标预测方法。借助RF的特性对影响因素的重要程度进行排序,结合后向特征消除法剔除不重要的因素,得到工期指标预测的最优影响因素集;在此基础上构建了基于XGBoost的预测模型,对工期指标进行预测。以某隧道项目作为案例进行分析验证,结果显示,本文所提出的RF-XGBoost方法可以有效地去除无关因素,相比多元线性回归和神经网络等方法,预测结果精度更高,即为工期指标预测提供了一种快速有效的方法。     

基于XGBoost的企业倒闭风险预测

企业经营风险预测对于判断企业的经营状况,指导企业的进一步行为具有实际意义。然而,对于大量的小微型企业来说,一般很难获得这些企业的真实财务信息,也缺乏全面的信用信息供参考。文章以企业主体在多方面留下的行为足迹信息构建训练集,基于不同的足迹行为数据分别使用eXtreme Gradient Boosting(XGBoost)算法构建预测模型,并使用线性加权融合多个模型,以企业在未来两年是否会退出市场为目标变量进行预测。结果表明,在现有数据的基础上,该模型可以有效预测企业的经营风险,相比于传统的方法,精度更高。     

一种基于XGBoost的恶意HTTP请求识别方法

针对现有的web应用防火墙大多基于规则对恶意的HTTP请求进行检测,容易绕过且检测效率低下等问题,基于词袋模型聚类,提出一种改进的恶意HTTP请求检测方法。通过对已有的正常请求和恶意请求进行词袋和TF-IDF模型进行特征提取,并采用XGBoost分类算法对异常请求进行识别。实验结果表明,与随机森林、支持向量机等识别方法相比,该方法具有更好的异常HTTP请求识别效果。     

基于XGBoost和改进LSTNet的气温预测设计

气温变化与人类的生产生活密切相关,对人类出行计划、农林生产以及军事作战等方面都有着重要影响,因此对于大气温度更加精准的预测具有一定现实意义。针对传统预测模型对气温预测精度不佳的问题,提出了一种融合极端梯度提升树(Extreme Gradient Boosting, XGBoost)和改进长短期时序网络(Long and Short-Term Temporal Patterns with Deep Neural Network, LSTNet)的气温预测模型。利用XGBoost进行特征筛选,降低数据维度;利用LSTNet进行改进,在其卷积层嵌入通道注意力(Channel Attention, CA)机制,强化显著特征;把循环神经网络层中的循环门单元(Gate Recurrent Unit, GRU)改为双向长短时记忆网络(Bidirectional Long Short-Term Memory, BiLSTM),并加入了时序注意力(Temporal Attention, TA)机制,使模型拥有同时提取正反向信息的能力且突出了重要时间步的信息;用建立好的模型进行预测实验和对比实验。实验结果...     

基于SMOTE＿GA＿XGBoost的葡萄酒质量预测

随着经济发展和消费升级,人们对高品质葡萄酒的需求不断增加,如何利用葡萄酒理化指标进行高效准确的质量评定显得尤为重要。本文基于UCI葡萄酒数据集,建立了SMOTE＿GA＿XGBoost模型来预测葡萄酒质量。结果表明,SMOTE＿GA＿XGBoost模型得出的级别判别准确率为89.36%,类别判别准确率为96.46%,均高于其他对比模型,具有更高的预测精度。     

一种基于用户行为分析的密钥管理异常检测方法

云计算的发展带来了科技领域的深刻变革,因其便利性、经济性、可扩展性等优势获得了越来越多政企的青睐,与此同时云上应用的安全性也成为各方关注的焦点。密钥安全是密码安全的基础,在云计算环境中,不仅云上的各类应用需要更方便、安全的密钥管理服务,云系统本身也面临着用户数量多、数据量大等问题,亟待划分粒度更细、使用更加灵活的密钥管理方式。在云环境密钥管理的背景下,提出了一种基于用户行为分析的异常检测方法,按各用户的历史行为分析其当前操作的合法性。所提方法具有动态灵活、智能性强的特点,对拒绝服务攻击也具有一定的防护作用。     

一种基于用户行为特征的精准容量预测方法

随着大流量套餐业务的推广,用户行为随之转变,网络资源的需求也不断升高。因此,文章提出一种基于用户行为特征的精准容量预测方法,提前做好市场容量预判,并结合用户行为特征实现场景化网络解决方案,确保用户感知。     

基于XGBoost的混合模式门级硬件木马检测方法

针对恶意的第三方厂商在电路设计阶段中植入硬件木马的问题,该文提出一种基于XGBoost的混合模式门级硬件木马检测方法。该检测方法将电路的每个线网类型作为节点,采用混合模式3层级的检测方式。首先,基于提取的电路静态特征,利用XGBoost算法实现第1层级的检测。继而,通过分析扫描链的结构特征,对第1层级分离得到的正常电路继续进行第2层级的面向扫描链中存在木马电路的静态检测。最后,在第3层级采用动态检测方法进一步提升检测的准确性。Trust-Hub基准测试集的实测结果表明,该方法与现有的其他检测方法相比具有较优的木马检测率,可达到94.0%的平均真阳率(TPR)和99.3%的平均真阴率(TNR)。     

基于XGBoost的混合模式门级硬件木马检测方法

针对恶意的第三方厂商在电路设计阶段中植入硬件木马的问题,该文提出一种基于XGBoost的混合模式门级硬件木马检测方法.该检测方法将电路的每个线网类型作为节点,采用混合模式3层级的检测方式.首先,基于提取的电路静态特征,利用XGBoost算法实现第1层级的检测.继而,通过分析扫描链的结构特征,对第1层级分离得到的正常电路继续进行第2层级的面向扫描链中存在木马电路的静态检测.最后,在第3层级采用动态检测方法进一步提升检测的准确性.Trust-Hub基准测试集的实测结果表明,该方法与现有的其他检测方法相比具有较优的木马检测率,可达到94.0％的平均真阳率(TPR)和99.3％的平均真阴率(TNR).     

基于XGBoost算法的HTTPS流量识别方法

由于传统方法对流量特征的提取效果不佳,导致流量特征识别效率低,研究基于XGBoost算法的HTTPS流量识别方法.通过采集流量数据样本,对6个应用的数据流量样本进行处理和分析.提取HTTPS流量特征,组成流量特征序列.获取HTTPS数据域名,建立二级域名信息库.构建XGBoost算法识别模型,识别流量样本类型.经实验论...     

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。     

一种利用神经网络预测用户投诉的方法

我国移动通信从1993年起,经历了2G到5G的技术革新,2021年5G网络建设进一步铺开,to C和to B应用进入爆发阶段.如今中国移动、中国电信、中国联通均已建成了覆盖范围广、业务速率高的无线网络,中国电信业进入了全业务运营时代,形成了新的竞争格局.现阶段三大运营商通信服务有明显的同质化趋势——相似的用户结构、广泛...     

基于XGBoost算法的手机用户真实性别识别

用户属性是刻画用户的基础.常见用户属性指标包括:用户的性别、年龄、入网时间、在网状态、省份城市、活跃地等等.然而由于各种山寨、刷机、刷rom的存在以及手机实际使用人不是购机人等,部分数据存在异常或缺失,特别是人口学属性.而性别又是人类差异最大的特征之一,是群体行为、偏好和需求等方面的基本影响因子之一,性别识别的重要性和...     

基于XGBoost和LSTM的台风强度预测模型分析

台风是在温带洋面上生成和发展的热带天气系统,引发的次生灾害具有极大的破坏性,准确估算台风强度是台风预报和灾害预警中极为关键的问题。目前,对台风预报还处于探索研究阶段,对其强度预测仍然是台风预报的难点之一。文章基于极端梯度提升(XGBoost)和长短期记忆(LSTM)模型对台风强度进行了分析与预测。实验结果表明,将XGBoost和LSTM组合应用于台风强度的预测是可行的,有较好的应用价值。     

基于Mean Decrease Impurity改进XGBoost算法

针对XGBoost算法在处理高维数据集分类准确率和效率下降的情况,文中提出一种基于mean decrease impurity算法改进的XGBoost算法;并设计频数算法解决mean decrease impurity算法对特征重要度排名的随机性。实验结果表明,本方法预测效率以及准确率要优于未改进XGBoost算法,同时mean decrease impurity算法也优于基于方差算法。因此,文中所提出的分类方法具有更高的准确率和效率。     

基于SMOTE的XGBoost算法在风机叶片结冰预测中的应用

文中针对低温潮湿环境下风机易出现的叶片结冰现象,提出一种基于SMOTE的XGBoost算法对风机叶片结冰进行早期预测。首先,结合领域知识和Wrapper法对风机SCADA数据进行特征分析,评估各特征重要性;其次,对结冰数据进行SMOTE过采样,选择适合不平衡数据集的评估指标F1Score,G-mean作为模型评估指标;最后,基于XGBoost算法构建预测模型,利用网格搜索与学习曲线对模型参数进行优化,提高预测准确率。通过与AdaBoost算法进行比较,实验结果表明文中提出的方法在准确率和时间效率方面优于AdaBoost算法,有效解决了风机结冰预测问题。