基于LightGBM算法的能见度预测模型

为了提高能见度预报的准确率,尤其是低能见度预报的准确率,提出一种基于集成学习随机森林和LightGBM的能见度预测模型。首先,以数值模式系统的气象预报数据为基础,结合地面气象观测数据、PM_2.5浓度观测数据,利用随机森林算法构建特征向量;其次,针对不同时间跨度的缺失数据,设计了3种缺失值处理方法对缺失值进行替代,生成用于训练和测试的连续性较好的数据样本集;最后,建立基于LightGBM的能见度预测模型,并用网络搜索法对其进行参数优化。把所提模型与支持向量机（SVM）、多元线性回归（MLR）、人工神经网络（ANN）在性能上进行对比。实验结果表明,对于不同的等级的能见度,应用LightGBM的能见度预测模型获得预兆得分（TS）均较高,而对于<2 km的低能见度,该模型对各观测站点的能见度预测值与各观测站点的能见度实况值的平均相关系数为0.75,平均均方误差为6.49。可见基于LightGBM的预测模型能有效提高能见度预测精度。     

基于贝叶斯优化LightGBM的大坝变形预测模型

为了解决大坝变形预测模型易陷入局部最优及不适用大规模数据等问题,采用一种快速高效的基于决策树的梯度提升框架LightGBM,并结合全局优化算法——贝叶斯优化进行大坝变形预测。为验证模型适用性,以两座实际混凝土坝工程为例分析,并与多元线性回归、支持向量回归机和多层神经网络等预测结果进行比较。结果表明,该模型均方根误差(RMSE)和平均绝对误差(MAE)等指标均优于其他方法,验证了该模型的可行性及优越性。LightGBM可对输入参数的重要性进行评估,对影响大坝变形的特征进行筛选,从而确定对大坝变形影响更显著的因素,为后续的安全评估工作提供参考。     

基于多维特征分析的双层协同太阳辐照度预测

为增强逐日太阳辐照度预测的准确性和普适性,提出一种基于多维特征分析的双层协同预测模型。首先,搭建一种双层协同架构,将整个模型分成基准层和提升层两部分,使用分层预测的方式追踪目标对象的多维特征和变化趋势;其次,以数值天气预报（NWP）为输入,采用LightGBM基于特征学习预测方法构建基准预测模型;然后,在前者的基础上,挖掘目标时刻太阳辐照度与历史时序数据之间的关联性,引入改进AdaBoost算法与多隐层极限学习机（MH-ELM）作为提升层主体,提高时序预测的稳定性;最后,选用中国中部地区某光伏电站实测太阳辐照度数据进行算例分析,验证了该模型的合理性和有效性。     

基于机器学习的回流焊焊点形貌预测

提出一种基于机器学习预测回流焊焊点形貌的方法,通过该方法建立一个针对钽电容回流焊焊点形貌的预测模型,该模型为现有实验方式提供了新的思路。通过峰值温度、降温速率和焊膏厚度3种影响因素以及焊点厚度、焊点宽度和焊料爬高3种评价焊点形貌的评价标准,分别基于BPNN和LightGBM算法建立钽电容回流焊焊点形貌预测模型。对比实验证明,通过LightGBM算法建立的预测模型优于通过BPNN建立的预测模型,并通过实际测试帮助实验人员减少实验次数,节约大量时间成本。     

基于轻量级梯度提升机的非对称风险注塑成形产品尺寸预测模型

受温度、气压等环境不稳定因素的影响,注塑成形加工过程中工艺参数发生变化,从而导致产品精度下降,产品降级或报废.针对类似环境不稳定因素影响问题,利用加工过程中的数据进行注塑成形尺寸预测,有助于不合格产品的及时发现,减少不合格品的产生.基于轻量级梯度提升机(LightGBM)框架设计了基于加工过程数据及参数的注塑成形产品尺...     

基于深度LightGBM集成学习模型的谷歌商店顾客购买力预测

针对轻量化梯度促进机（LightGBM）等集成学习模型只对数据信息进行一次挖掘,无法自动地细化数据挖掘粒度或通过深入挖掘得到更多的数据中潜在内部关联信息的问题,提出了深度LightGBM集成学习模型,该模型由滑动窗口和加深两部分组成。首先,通过滑动窗口使得集成学习模型能够自动地细化数据挖掘粒度,从而更加深入地挖掘数据中潜在的内部关联信息,同时赋予模型一定的表示学习能力。然后,基于滑动窗口,用加深步骤进一步地提升模型的表示学习能力。最后,结合特征工程对数据集进行处理。在谷歌商店数据集上进行的实验结果表明,所提深度集成学习模型相较原始集成学习模型的预测精度高出6.16个百分点。所提方法能够自动地细化数据挖掘粒度,从而获取更多数据集中的潜在信息,并且深度LightGBM集成学习模型与传统深度神经网络相比是非神经网络的深度模型,参数更少,可解释性更强。     

三支残差修正的燃气负荷预测

燃气负荷的准确预测对于燃气调度、规划燃气使用有着重要的意义。单一的预测模型在燃气负荷预测中不能取得很好的预测效果,故基于燃气负荷数据的特点设计了一种三支残差修正的燃气负荷组合预测模型。首先基于燃气负荷数据特点,采用鲁棒局部加权回归对负荷序列进行了分解,针对分解后的趋势项、周期项、余项设计了ARIMA(autoregressive integrated moving average)和LightGBM(light gradient boosting machine)的组合预测模型,然后结合三支决策理论设计了三支残差修正法对LightGBM的预测结果进行修正。实验结果表明该组合模型的表现良好,预测效果优于常见单一模型。     

基于SSAPSO LightGBM的火电厂引风机故障预警方法

为了解决国内对火电厂引风机故障预警方法相对缺乏的问题,本文提出了一种基于SSAPSO LightGBM的故障预警算法。通过建立LightGBM(Light gradient boosting machine)正常轴承温度预测模型,并创新性地引入融合麻雀搜索算法的改进粒子群优化算法（SSAPSO）优化模型超参数,最终获得引风机轴承温度预警阈值,实现引风机早期故障预警。实验证明,基于SSAPSO LightGBM的故障预警方法在预测精度、泛化能力等方面相比传统预算法效果更好;该方法能够提前2 h对风机进行故障预警,对火电厂运维具有一定的指导意义。     

基于卷积神经网络与LightGBM的短期风电功率预测方法

考虑到风力发电存在的波动性和不确定性,提出一种基于卷积神经网络(CNN)和LightGBM相结合的风力发电机功率预测模型.先对相邻风电机组原始数据进行时序特征相关性分析,构建新的特征集;其次,应用CNN从输入数据中提取信息,并通过比较实际结果调整网络参数;再次,考虑到单一卷积模型在预测风电时的局限性,将LightGBM...     

基于PSO＿RF双向特征选择和LightGBM设备故障检测

仪器共享平台的发展提高了各高校的仪器设备的使用率.但是在设备的使用过程中,对设备的故障检测方面还没有得到改善.针对上述问题,本文收集了医用影像设备的相关数据,采用PSO_RF的双向特征选择方法进行特征选择,然后构建了基于LightGBM (Light Gradient Boosting Machine)的故障检测模型,并将其应用于医用影像设备的故障检测中.通过标准评价体系的建立及不同模型对故障诊断结果的对比,相对于传统的机器学习算法,该模型在故障检测的精确率、召回率、F1值等评价指标上有较好的表现,对于加快仪器故障点的发现以及提高仪器利用率具有积极推进作用.