基于集成学习方法的冲击地压危险性预测研究

为了进一步提高冲击地压危险性预测的准确性,利用集成学习方法对冲击地压发生的主要因素指标进行了分析,分别采用集成学习方法中7种分类预测模型对冲击地压危险性进行了预测,实验结果表明, 7种模型均具有一定的可靠性,将模型的准确度和海明损失作为评价指标,得出XGBoost算法具有较高的预测性能,可以相对有效地对冲击地压的危险性进行预测。最后,利用SHAP值对XGBoost模型进一步解释,冲击地压危险性受弹性能指数的影响最大。     

面向5G MEC基于行为的用户异常检测方案

5G边缘计算靠近用户侧提供服务,而边缘侧汇聚着用户的敏感信息,用户非法接入或合法用户自身的恶意行为威胁到整个边缘网络的安全。将机器学习算法应用于边缘计算架构,提出一种基于行为的用户异常检测方案。对用户行为进行建模,采用独热编码和互信息进行数据预处理和特征选择,并利用极限梯度提升算法训练一个多分类器分类识别进入园区的用户,根据识别结果与用户身份是否一致来判定用户是否异常。在此基础上,通过孤立森林算法对授权用户历史行为数据进行模型训练,从而检测可信任用户的行为是否异常,实现对小型固定园区内未授权用户的识别以及对授权用户异常行为的检测。实验结果表明,该方案可满足边缘计算场景的时间复杂度要求,并且能够有效区分不同用户,分类准确率达到0.953,而对异常行为样本的误报率仅为0.01。     

基于DBN-XGBDT的入侵检测模型研究

在分布均匀的海量数据情况下,现有的入侵检测模型均具备良好的检测性能。但网络中产生的海量入侵数据的分布通常具有不均衡特点,而大多数检测模型针对罕见攻击类型的检测率低。针对上述问题,提出了一种深度信念网络（Deep Belief Networks,DBN）融合极限梯度提升（eXtreme Gradient Boosting,XGBoost）基于决策树算法（Decision Tree,DT）的入侵检测模型（DBN-XGBDT）。该模型将预处理后的数据集输入深度信念网络中,实现对入侵检测数据的降维处理,将得到的特征数据根据攻击类别任两类为一组,通过XGBoost算法逐一构建梯度提升树并细化为二分类;最后运用控制变量法和XGBoost内置的交叉验证进行调参,择优调整模型参数,对未知网络攻击实现有效检测。基于NSL-KDD数据集对DBN-XGBDT模型与XGBoost、DBN-BP、DBN-MSVM等优越模型进行了检测实验。实验结果表明,DBN-XGBDT模型较上述3个单一、混合分类模型的正确率分别提升2.07个百分点、1.14个百分点,对U2R的检测率提升至75.37%,平均误报率降至56.23%,为入侵检测处理不均衡数据且提高对罕见攻击的检测性能提供了新方法。     

基于LSTM与XGBOOST混合模型的孕妇产后出血预测

孕妇产后大出血是造成全球孕妇死亡的重要因素之一,在我国位居孕妇死亡原因首位,然而对产后出血的提前判定一直以来都是医学上一个难题.电子病历的普及,以及机器学习和深度学习技术的发展,为预知孕妇产后大出血提供了基于大数据的解决办法.本文提出利用孕妇的电子病历数据,构建基于LSTM和XGBoost的混合模型来预测孕妇产后大出血.实验结果表明,利用基于LSTM和XGBoost的混合模型对孕妇产后大出血进行预测是可行的,能够为医生判断孕妇产后出血情况提供参考,为孕妇分娩时是否需要备血方案提供决策支持,对降低产后大出血致死率具有积极意义.     

基于XGBoost的以太坊交易智能定价模型

以太坊采用交易收费的策略来保证计算资源的合理利用;而由于涉及智能合约的交易消耗计算资源差别较大;引入Gas机制。以太坊用户在发起交易时需自主设置Gas总量和Gas价格;而矿工基于利益最大化的原则;优先选择Gas价格高的交易。Gas价格设置高则打包时间短;反之则时间长。由于交易的价格由交易发起者自主确定;这使得需要打包的交易的Gas价格可能相差较大;因而交易共识时间难以掌握。因此;现有的交易机制并不能平衡交易Gas成本和共识时间之间的冲突。为了解决上述问题;对以太坊交易机制进行了研究;分析影响Gas价格的因子;通过网格搜索算法对极端梯度增强模型（extreme gradient boosting;XGBoost）进行参数优化;构建基于XGBoost的以太坊交易智能定价模型;将该模型用于交易Gas价格预测中。通过搭建节点接入以太坊网络获取交易数据作为实验数据;实验结果表明;ETH_XGB模型能够帮助用户平均节省约72.5%的交易成本;交易成功率在92%;相较于原机制提高17.1%。     

基于改进混合采样和XGBoost算法的信用卡欺诈检测方法

随着金融机构信用卡业务的快速发展,信用卡欺诈行为成为金融机构面临的严峻问题。针对金融机构信用卡数据分布不均衡问题,本文采用过采样、降采样、SMOTE+ENN、SMOTE+Tomeklin、改进的SMOTE+Tomeklin和改进的SMOTE+ENN混合采样这6种不同采样方法对不平衡数据进行平衡处理,然后将平衡数据集输入到多种分类算法模型中进行实验比对,最后提出一种基于改进的SMOTE+ENN混合采样和XGBoost算法的信用卡欺诈行为检测模型。通过5种评价指标验证该检测方法不仅提高了信用卡欺诈行为不平衡数据的区分度,同时提高了信用卡欺诈行为检测的准确性和可行性。     

基于XGBoost与LSTM的风力发电机绕组温度预测

发电机定子绕组温度是风力发电机健康状态的重要表征.实时预测绕组超温将有助于及时制定运维计划并排查故障源.提出基于极端梯度提升树(extreme gradient boosting)与长短时记忆网络(long short-term memory,LSTM)加权融合的组合模型,进行风力发电机定子绕组温度预测,运用模型结构的...     

基于人工智能的暂态稳定裕度精细化预测

人工智能算法在暂态稳定评估中得到了很好的应用.然而,电力系统是时变大系统,训练数据无法涵盖所有工况,模型需要在有限时间内更新;电力系统中稳定样本数远大于失稳样本数,导致模型对失稳样本学习不足.针对以上2点,提出了基于人工智能的暂态稳定裕度精细化预测方法.该方法将改进的极限梯度提升(XGBoost)树与双XGBoost回归树集成,平衡了2类样本数量差异对模型的影响,并实现了裕度预测.当运行工况变化较大时,结合增量学习技术,以较少的样本和较短的时间对模型进行有效更新.在2套IEEE系统上的实验结果表明所提方法可应用于暂态稳定评估.     

基于物理约束数据挖掘算法的海上油井初期产能预测方法

为建立一套海上砂岩油藏定向井初期产能的预测方法,综合考虑地质、工程与开发3个方面17项初期产能的影响因素,基于45口海上砂岩油藏定向井的2700组数据,组合使用Spearman相关系数、随机森林与递归特征消除算法对影响因素进行重要性排序;并结合油藏工程逻辑判别,筛选初期产能的主控因素。选用极端梯度提升(XG?Boost)算法构建初期产能预测模型,并基于产能公式改进其损失函数,增强数据挖掘算法的物理约束。结果表明:地层流动系数、孔隙度、层间地层流动系数变异系数、电潜泵下入垂深、储层射开厚度、井眼尺寸、生产压差、电潜泵频率以及油嘴尺寸是海上砂岩油藏定向井初期产能的主控因素。采用物理约束的XGBoost算法对5口井初期产能预测的平均相对误差为9.68%,而无物理约束的XGBoost算法预测初期产能的平均相对误差为11.68%。因此,物理约束可有效提升XGBoost算法对初期产能的预测精度,同时可实现海上砂岩油藏定向井初期产能的准确预测。     

基于XGBoost算法的山东烟叶质量预测模型初探

为挖掘烟叶化学成分与感官质量之间的关系,探究机器学习算法在烟叶质量评价领域的应用效果,以山东烟叶为试验材料,开展了常规成分、生物碱、有机酸、多酚和单双糖等20项主要化学成分检测和感官质量评价,并根据感官质量优劣将其划分为好、中、差3个质量档次。利用遗传算法对XGBoost进行超参数寻优,建立了基于化学成分的山东烟叶质量档次预测模型,同时引入SHAP value模型解释框架进行全局解释与特征依赖分析。所建预测模型对山东烟叶质量档次判别准确率为85%,尤其对第3质量档次识别效果最佳。SHAP value全局解释表明,影响山东烤烟质量的7个特征指标贡献度排名为：酸酚比>蔗糖>氯>烟碱>降烟碱>柠檬酸>糖碱比,其中糖碱比、蔗糖、酸酚比分别为好、中、差质量档次判别贡献最大的化学指标。基于XGBoost算法的山东烟叶质量预测模型在烟叶质量档次判别应用中有效、可靠、可解释性强,对于烟叶质量评价和烟叶生产具有一定指导意义。