基于局部密度和相似度的自适应SNN算法

在近邻算法中,近邻样本和目标样本之间的绝对距离和相似性为目标样本类别的判断提供重要的决策依据,K值的大小也会直接决定了近邻算法的预测效果。然而,SNN算法在预测过程中,使用固定的经验K值来预测不同局部密度的目标样本,具有一定的片面性。因此,为实现SNN算法中K值的合理调节,提高算法的预测准确度和稳定性,提出一种基于局部密度和相似度的自适应SNN算法(AK-SNN)。算法的性能在UCI数据集上进行验证,结果显示该算法取得优于KNN和SNN的预测效果和鲁棒性。     

改进K近邻算法的立体车库短时客流量预测

立体车库短时客流量波动性较大，具有明显的非线性特点，为实现立体车库短时客流量的预测，设计一种改进K算法。对传统K近邻算法做出了以下改进:采用AR模型计算当天到达趋势，并将到达趋势指标作为样本特征之一；在设计近邻搜索函数时，采用信息增益衡量样本特征与客流到达数据的相似度，对距离函数进行加权，提高历史数据与当前状态的匹配精度。最后取西安某自动化立体车库到达数据对算法进行检验，结果表明所使用方法预测存车和取车短时客流量的R平方误差分别达到0.722和0.734，比传统K近邻回归分别提高了5%和7%，为立体车库短期客流量预测提供了一种解决思路。     

一种基于非参数回归的交通速度预测方法

非参数回归模型是近年来提出的一种交通状态预测模型。为进一步提高预测精度,基于非参数回归模型的特点,针对近邻状态的选取问题,提出了基于速度变化趋势和密集度的变K近邻精确搜索策略,对原有模型的近邻匹配方式进行了改进和优化,进而提出了一种短时交通平均速度预测模型。利用北京市浮动车系统数据对算法精度进行了验证,结果表明,该模型的预测精度优于基础的非参数回归和BP神经网络模型,并能为短时交通速度预测提供可行的结果。     

基于复杂性K近邻规则的蛋白质亚细胞位点预测

提出了一个基于符号序列LZ复杂性相似度和K近邻规则的蛋白质亚细胞位点类型预测的方法。相比许多其他特征参数,蛋白质序列的LZ复杂性相似度计算无需深入的生物学领域知识和除序列数据以外的其他辅助数据。同时,K近邻规则的延迟学习特性适合于亚细胞位点类型已知的蛋白质数据的动态增加。在标准的RH数据集上对该预测方法进行10重交叉验证,其总体的预测准确率优于4种对照预测方法。     

一种基于共享近邻的密度峰值聚类算法

基于加权K近邻的密度峰值发现算法(FKNN-DPC)是一种简单、高效的聚类算法,能够自动发现簇中心,并采用加权K近邻的思想快速、准确地完成对非簇中心样本的分配,在各种规模、任意维度、任意形状的数据集上都能得到高质量的聚类结果,但其样本分配策略中的权重仅考虑了样本间的欧氏距离。文中提出了一种基于共享近邻的相似度度量方式,并以此相似度改进样本分配策略,使得样本的分配更符合真实的簇归属情况,从而提高聚类质量。在UCI真实数据集上进行实验,并将所提算法与K-means,DBSCAN,AP,DPC,FKNN-DPC等算法进行对比,验证了其有效性。     

基于多智能集成学习的中短期电煤价格预测

为扩大电力市场交易量与下调市场电价,需要提升电煤价格预测的可靠性与准确性.为此本文提出了多智能集成学习的中短期电煤价格预测方法.首先,阐述了Stacking集成学习的结构和原理;然后,介绍了数种智能电煤价格的预测模型,并通过算例证明了不同单智能模型对数据的感知能力存在差异性;进而,通过比较单智能模型预测结果的差异值均差,筛选出预测性能优异并且数据感知角度差异性明显的智能模型组.为了充分发挥个模型感知能力差异性的优势,利用Stacking融合各模型,得到一种适用于电煤价格滚动预测的集成模型.最后,通过滚动预测2019至2020年的电煤价格,对集成模型的有效性进行验证.     

基于knnVAR模型的地理传感数据预测

地理传感数据的预测在经济、工程、自然科学和社会科学中被广泛应用。数据中不同站点的空间相关性和同一站点的时间相关性给传统的预测方法带来了极大的挑战。文中提出了一种将数据中时间信息和空间信息有效融合,同时考虑了各传感序列独特性的knnVAR模型,来对地理传感数据进行预测。该模型通过计算时空距离 量化 数据中的时间信息和空间信息,并基于时空距离寻找K近邻,最后再将近邻结果应用于向量自回归模型中完成预测。 knn-VAR模型采用寻找时空近邻的方式将数据中时间维度和空间维度的相关性进行有效融合,同时使用在时空上具有高度相关性的近邻对传感序列进行预测,充分考虑了各地理序列的独特性。实验结果表明,knnVAR模型能有效提高地理传感数据的预测精度。     

改进仿射传播聚类的LS-SVM多模型建模方法

多模型建模方法通常比单一模型建模方法适用范围更广、效果更佳,但也存在着因模型选择失当而导致发生错误,为解决该问题,提出了一种新的建模方法。该方法先用仿射传播聚类算法实现数据聚类,并由最小二乘支持向量机建立各子模型。多模型预测时需知道待测样本对子模型的归属情况,则采用K近邻算法并结合隶属度阈值来进行判断。当待测样本对某子模型的隶属度大于阈值时,就由该子模型进行预测:若对所有子模型的隶属度均小于阈值时,则由K近邻算法从训练样本中选择与该待测样本相似的样本组成相似样本集,再采用最小二乘支持向量机建模并对该点预测。将其应用于青霉素发酵软测量建模中,并与其它方法比较,结果显示该方法是可行有效的,且能有效地克服当前一些多模型建模方法存在的不足。     

采用聚类算法优化的K近邻协同过滤算法

协同过滤推荐是电子商务系统最重要的技术之一,而协同过滤技术中一种被广泛使用的算法就是基于用户评分相似度的K近邻算法.该算法简单有效,易于实现.但K近邻算法在决定待预测样本的预测评分时,并未考虑这K个最近邻与其隶属类别的关联程度.作为评分矩阵中的不同样本,由于它们对分类贡献各不相同,因此在评分预测时需要区别对待.本文采用中心聚类算法,先求出各样本与其所属类别的类别关联度,再利用类别关联度来区别对待待预测样本的K个最近邻.通过实验证明,优化后的K近邻算法能较好的提高推荐精度.     

基于特征和结构信息增强的图神经网络集成学习框架

近年来,图神经网络由于其丰富的表征和推理能力受到广泛的关注,然而,目前的研究聚焦于卷积策略和网络结构的调整以获得更高的性能,不可避免地面临单一模型局限性的约束。受到集成学习思想的启发,面向图神经网络创新性地提出一套集成学习框架(EL-GNN)。不同于常规的文本和图像数据,图数据除了特征信息外还包括了丰富的拓扑结构信息。因此,EL-GNN不仅将不同基分类器的预测结果进行融合,还在集成阶段额外补充了结构信息。此外,基于特征相似或结构邻居节点通常具有相似标签的先验假设,借助特征图重构,进一步优化集成策略,充分平衡了节点的特征和结构信息。大量实验表明,提出的集成策略取得了良好的成效,并EL-GNN在节点分类任务上显著优于现有模型。