学生行为相关性分析及改进GA-BP学业预警算法

针对教育大数据背景下高校学生管理面临的问题,提出了一种高校学生学业预警算法,利用现有高校数字校园建设成果,挖掘潜在的教育数据.采用Kendall相关性分析方法选择用于预测的特征数据,选择相关系数较高的8个特征数据作为BP神经网络的输入,采用相关性分析结果改进GA-BP算法,综合考虑各项因素实现学业情况的预测.经试验,该学业预警算法的预测准确率可以达到90%以上.     

基于机器学习的自动化运维系统应用研究

为了在电力行业数据中心机房预警系统中何融入机器学习功能，解决目前设备预警系统历史数据利用率低、预警信息需要人工判断、无法利用机器学习模型等问题，以BP神经网络、Stacking模型及Hadoop集群技术为基础，设计一款运维改进方案。探讨系统功能、预警模块、系统管理模块、模型的重复使用及训练的方案。通过应用大数据进行测试，结果表明传统模型的训练需要的时间较长。对于单个模型而言，其训练时长会小于采用Stacking集成模型进行训练所需的平均时长。由此可知，不论是单个模型还是Stacking模型，其模型预测方面的耗时几乎可以实现实时预测。     

深度随机森林在离网预测中的应用

在电信运营商领域,离网预测模型是企业决策者用来发现潜在离网用户(即停用运营商服务)的主要手段。目前离网预测模型都是基于逻辑回归、决策树、神经网络及随机森林等浅层机器学习算法,但是在大数据的背景下,这些浅层算法在预测问题上很难取得更高的精度。因此,提出了一种新型的深层结构模型——深度随机森林,通过将传统浅层随机森林堆积成深层结构模型,获得更高的预测精度。在运营商真实数据上进行了大量实验,结果证明深层随机森林模型比传统浅层机器学习算法在离网预测问题上可以得到更好的效果。同时,增大训练数据量可以进一步提升深层随机森林的预测能力,从而证明了在大数据环境下深层模型的潜力。     

基于聚类与机器学习的零售商品销量预测

本文提出一种基于K-means聚类与机器学习回归算法的预测模型以解决零售行业多个商品的销售预测问题,首先通过聚类分析识别出具有相似销售模式的商品从而实现数据集的划分,然后分别在每个子数据集上训练了支持向量回归、随机森林以及XGBoost模型,通过构建数据池的方式增加了用于训练模型的数据量以及预测变量的选择范围.在一家零售企业的真实销售数据集上对提出的模型进行了验证,实验结果表明基于K-means和支持向量回归的预测模型表现最优,且所提出的模型预测效果明显优于基准模型以及不使用聚类的机器学习模型.     

进化回归神经网络对时序数据和关联数据的建模能力研究

重点研究进化回归神经网络对时序数据和关联数据的建模能力。针对两个标准问题，采用不同形式的建模数据，比较了前向网络和回归神经网络的建模及预测效果，进一步将进化算法用于不同结构回归神经网络的训练并比较了它们的建模能力。仿真结果表明回归神经网络对时序关联数据有很好的建模和预测能力，相比于前向网络，无需过程时序特点的先验知识，可以采用最简单的建模数据形式。而进化算法相比于常规的梯度下降算法，用于训练不同的回归网络结构通用性好，且训练过程不受局部极小问题的困扰，适当规模的训练过程可以获得性能良好的神经网络模型。     

基于卷积神经网络和Adaboost的心脏病预测模型

借助计算机技术，使用年龄、性别等基本特征预测心脏病的易感性，对心脏病的早期预测和防治具有重要意义。针对基于机器学习的心脏病预测模型准确率不高的问题，提出一种基于卷积神经网络（CNN）和Adaboost的心脏病预测模型CNN-Adaboost。首先，对原始数据进行预处理，结合特征相关性与特征组合算法融合两两属性特征，并升维数据，使各属性特征充分融合；然后，通过CNN进行充分的特征提取；最后，结合Adaboost机器学习算法建立心脏病预测模型。UCI数据集上的测试结果表明，CNN-Adaboost预测模型优于K近邻（KNN）等传统机器学习模型和K近邻-随机森林（KNN-RF）等优化模型，准确率、AUC、查准率和查全率可达到0.917、0.95、0.924与0.85。CNN-Adaboost模型具有良好的分类效果，能为医患人员进行心脏病预测与预防提供帮助。     

基于灰色理论的时间序列预测模型研究

为了提高对数据的预测效果,本文首先以灰色理论的数据处理为辅助处理,得出较好的机器学习数据内容,提出了支持向量机与灰色理论相结合的综合预测模型。并且在以灰色的数据序列为例的数据处理的基础上,重点与ε-支持向量回归机算法相结合,提出综合模型的结构,以及如何运用综合模型来进行预测,详细的介绍其实现过程。并以都江堰管理局提供的岷江来水量数据为例,将综合预测模型应用于来水量时间序列的预测,通过训练预测模型,得出较好效果的预测结果。     

油田产量多变量预测模型的优化

油田开发是一个复杂的多变量非线性动力学系统,为有效地预测油田产量,确保油田生产过程高产稳产,该文提出采用多元线性回归与神经网络相结合的方法对油田产量多变量预测模型进行优化。首先基于回归分析的“后退法”对影响产量的变量进行优选,然后通过神经网络对优选后的变量进行训练得到最终的预测模型,从而实现神经网络与多元线性回归相结合建立多变量预测模型。实际应用结果表明,优化后的模型简洁实用,可以在一定程度上提高模型的预测精度,并减少建模预测所需数据量。     

基于特征选择的学位预警方法研究

高校学生能够顺利获得学位,不仅对其个人就业发展至关重要,也是衡量高校教学质量的重要指标之一。学位预警是教育数据挖掘的重要应用之一,通过学位预警可以尽早地对学生的学业情况进行警示,学生能够及时调整学习状态和方法,同时准确的学位预警也可以为改进教学指导策略提供参考依据。现有的预警模型构建多是基于全部成绩数据,忽略了课程间的冗余性,使得构建的模型精度不足。因此,提出基于Fisher特征选择方法构建学位预警模型。利用Fisher得分对特征进行初步筛选;然后,利用筛选后的特征构建学位预警模型;最后,通过预警模型对获得学位情况进行预测。为检验方法的有效性,在某高校汉语言文学、化学、数学与应用数学等专业真实数据上进行了大量实验。实验结果表明,基于特征选择的学位预警方法具有良好的准确度和实用性,可以为高校学生的学位预警工作提供数据支持。     

基于支持向量机的时态数据预测方法

支持向量回归机使用由经验误差项和常数项所构成的风险函数,满足结构风险最小原则。在时态数据预测领域,它将成为一种很有前途的预测方法。简要介绍了回归支持向量机的基本理论。基于回归支持向量机模型,建立了一个对时态数据预测的方法,可以对多属性时态数据进行预测,并与其它预测模型（BP神经网络）进行比较。实验结果表明所提出的方法在预测的稳定性和准确性方面都要优于BP神经网络模型。     

深度信念网软件缺陷预测模型

软件缺陷预测技术在检测软件缺陷、保证软件质量方面发挥了重要的作用。利用神经网络分类算法构建的软件缺陷预测模型得到了广泛的应用。但是利用神经网络分类算法训练历史数据只能进行“浅层学习”,无法对数据特征进行深度挖掘。针对该问题,利用多层限制玻尔兹曼机叠加成深度信念网,先进行特征集成与迭代,并对这些特征数据进行深度学习,构建了基于深度信念网的软件缺陷预测模型(DBNSDPM)。仿真实验表明,本模型预测的准确性与传统的神经网络缺陷预测模型预测的准确性相比有显著提高。     

基于数据挖掘的水文时间序列预测

基于灰色理论和灰色神经网络组合预测模型,对水文时间序列进行数据挖掘。对原始序列首先进行了对数-方根变换,使得数据序列满足灰色理论的覆盖条件,采用灰色预测模型GM（1,1）,对数据序列进行预测,由于灰色预测属于线性预测,因此将灰色预测模型与神经网络模型相结合,提高了预测精度。以都江堰岷江来水数据为原始数据进行实际预测,实验证明,这种组合模型的预测效果优于传统预测模型。     

一种基于小波和神经网络的短时交通流量预测

针对实际交通流变化的不稳定性和复杂性的特点,应用交通流预测模型获取更准确的交通流信息,是智能交通领域的一个研究热点。提出一种基于小波分析与神经网络结合的预测模型。模型主要思想是通过小波多分辨率分析和Mallat算法对原始交通流数据进行平滑降噪处理,处理过程选用db10小波和软阈值去噪函数使得交通流曲线更加平滑稳定,更能真实反映交通流的真实情况;再采用激活函数为Tan-Sigmoid,训练函数为trainlm,各层神经元节点数为1-12-1的三层BP神经网络对消噪后的交通流数据进行训练,用训练好的预测模型对实际交通流信息进行预测,最后获取准确的交通流信息。实验结果表明,采用小波分析与BP神经网络结合的方法得到的预测结果平均相对误差为0.03%,最大相对误差为0.39,拟合度(EC)达到0.96。仅使用BP神经网络预测模型对交通流数据进行预测后得到的预测结果的平均相对误差为0.08%,最大相对误差为0.89%;实验对比采用BP神经网络预测模型和卡尔曼滤波、GM(1,1)预测模型对交通流的预测,BP神经网络预测模型的误差指标大大减小,拟合度大大提高,有较好的准确性和可行性,能较准确地反映交通流真实情况。而经过小波去噪与BP神经网络结合的预测模型提高了预测精度,为交通流的实时动态预警提供了更加准确真实的情况。     

智慧农业中时序数据组合预测模型

智慧农业是实现农业精准化的技术解决方案,智慧农业系统可以实时监测植物生长的各类环境参数,并可以应用相应的预测模型来模拟农作物生长环境的变化趋势,为科学决策提供依据。近年来有很多学者提出了时间序列的预测模型算法,在预测稳定性方面取得了不错的效果。为了进一步提升时间序列的预测精度,提出一种基于差分整合移动平均自回归模型和小波神经网络的组合预测模型。该组合模型结合2个单项模型优点,用差分整合移动平均自回归模型来拟合序列的线性部分,用小波神经网络来校正其残差,使其拟合曲线更接近于实际值,采用温室内的历史温度数据来验证该组合模型的精确度,最后将组合模型与传统预测模型的预测结果进行对比。结果表明,该组合模型用于温室温度预测的精确度更高,拟合效果更好,相比于传统模型预测算法计算效能提高了20%左右。     

结合ResNet和特征工程的QAR数据预测方法

为解决QAR数据存在的数据缺失、数据异常等问题,提出一种将神经网络模型与特征工程相结合的方法,用于实现对飞机的QAR数据中飞行状态参数的精准预测。首先通过引入ResNet(残差神经网络)模型大幅加深了预测网络模型的深度,同时缓解了深层网络带来的梯度消失/爆炸问题,完成了预测精度的一次提升。之后通过Pearson相关系数与随机森林相结合的特征提取方法提取训练特征,训练后得到更加精确的预测模型,完成了预测精度的二次提升。结果表明,特征工程与模型优化相结合的处理方法更加精确、高效,为QAR缺失数据补充和QAR数据异常检测提供了一种新方法,提升了数据的质量,可更好地进行数据分析与挖掘工作。     

基于卷积神经网络的网贷违约风险模型研究

自互联网金融诞生以来,网络贷款得到了快速发展,但是借贷双方的信息不对称增加了网贷的违约风险,同时随着互联网技术的发展网贷用户数据也表现出高维化的趋势,数据处理面临更大的挑战,因此亟需应对该问题并在网贷违约风险上进行准确、稳定的预测。该文提出了卷积神经网络(CNN)和一般机器学习模型结合的预测模型,利用CNN在数据特征提取上的优势来处理高维的网贷用户信息。首先采用数值图形化思想对网贷用户数据进行处理并与CNN对接,其次调整其超参数选择合适的网络模型,然后基于三种一般机器学习模型与CNN的组合进行网贷风险预测测试,最后在真实数据集上使用最优的网贷违约风险预测模型进行预测。实验结果验证了组合模型的显著性以及CNN对一般机器学习模型性能提升的能力,为网贷风险预测提供了一种新思路。     

基于多模态数据融合的室温预测算法研究

室内温度是供暖期影响人体舒适度的重要指标。准确掌握室内温度的变化规律和趋势，建立精确的室内温度预测模型，是实现高效智能供暖的关键。本文建立了基于长短期记忆（LSTM）神经网络的室内温度预测模型。以天津理工大学研究生实验室的温度实测数据为例，对原始数据集进行特征变量分析选取、数据预处理等工作后进行模型验证和分析，并与RNN神经网络预测模型和BP神经网络预测模型进行对比实验。实验结果表明：相较于其他两种模型，LSTM网络模型具有更高的准确率，预测精度可达到98.39%。因此使用LSTM网络模型可以更好预测室内温度的变化趋势，为促进节能减排提供可靠依据。     

高速公路交通量组合预测模型研究

交通量具有高度复杂的非线性特征,采用单一预测模型往往难以达到理想的预测效果.为准确预测,提出一种最优线性组合预测模型并给出了以预测误差平方和最小为目标函数的权系数最优解计算方法,在采用ARIMA模型、BP神经网络和支持向量回归机的基础上,利用组合预测模型实现了高速公路月度交通量的预测.实验结果表明:与季节差分自回归滑动平均模型、BP神经网络和支持向量回归机等预测模型相比,组合预测模型各项评价指标均优于前三者,为实现交通量准确预测提供了更为科学的依据.     

基于RNN的化工过程软测量模型研究

研究了基于回归神经网络(RNN)为化工颜料锌钡白建立质量指标软测量模型的问题。利用SPSS统计软件对过程历史数据进行预分析处理，进而利用这些数据训练回归神经网络，建立质量指标消色力的软测量模型。针对回归神经网络训练效率低，泛化能力差等问题，尝试引入一种初始权值优化方法加以改进。仿真结果表明，利用回归神经网络可以为此类化工过程建立具有一定预测能力的软测量模型，引入的初始权值优化方法有助于提高回归神经网络初始训效率，但模型的泛化能力还有待进一步改进。     

基于改进神经网络的糖尿病生化指标值预测

糖尿病在治疗过程中,其生化检验指标的变化受患者基本特征、指标等影响。文中针对预测患者糖尿病生化指标的问题,结合神经网络等机器学习方法,构建了一个基于改进神经网络的糖尿病生化指标预测模型。该模型考虑了糖尿病生化指标和患者的基本特征对指标的影响,同时又将患者之前的检验数据样本加入到模型中。实验证明,对于糖尿病患者的指标数据,3个主要血检指标预测训练集的R2值达到0.772 1、0.551 8、0.706 3,测试集的R2值达到了0.644 7、0.584 0、0.804 6,对比实验也证明了该模型相较于常用的机器学习模型有着更好的预测效果。