-
题名基于改进堆叠泛化算法的电信套餐预测
- 1
-
-
作者
包志强
胡啸天
赵研
赵媛媛
黄琼丹
-
机构
西安邮电大学通信与信息工程学院
-
出处
《西安邮电大学学报》
2019年第2期98-104,共7页
-
基金
陕西省重点研发计划资助项目(2018GY-150)
陕西省教育厅专项科学研究计划资助项目(17JK0703)
-
文摘
提出一种改进堆叠泛化(stacking)算法的电信套餐预测方法。该方法将多种套餐进行两层分类,第一层粗分为高低价值两种套餐,第二层在粗分基础上对高价值或低价值套餐进行细分,在每一层数据预处理阶段使用合成少数类过采样算法(synthetic minority oversampling technique,SMOTE)得到平衡数据集。采用改进堆叠泛化算法,对每一类取所有0层分类器的最大最小后验概率,并融合重要的消费信息作为1层训练集,由1层分类器预测套餐的种类。选取某公司6种电信套餐进行预测,实验结果表明,改进后的套餐预测模型可应用于多种不平衡套餐的预测。
-
关键词
电信套餐
堆叠泛化算法
合成少数类过采样算法
后验概率
-
Keywords
telecommunication package
stack generalization algorithm
synthetic minority oversampling algorithm
posterior probability
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于多模型Stacking融合的基坑测斜时序预测
- 2
-
-
作者
胡比澜
王洋洋
张永强
-
机构
浙江大学建筑工程学院
国家电投集团云南国际电力投资有限公司
-
出处
《浙江大学学报(工学版)》
北大核心
2025年第4期706-716,共11页
-
文摘
为了准确预测基坑倾斜变形,提出基于极致梯度提升(XGBoost)、长短期记忆(LSTM)和线性回归(LR)的堆叠多变量预测模型.利用XGBoost集成学习的优越性和双层LSTM算法预测传统基坑变形的准确度,提升模型的预测精度和泛化能力.在数据预处理阶段,引入K最近邻(KNN)插补算法增加可有效利用的数据总量,使用深度学习模型Informer的时间信息处理方式,改善传统算法中有监督学习忽略时间序列数据不同时间间隔的问题.以杭州某在建基坑为工程案例,插补616条缺失数据,将时间信息转为3列时间点特征信息,使用所提模型进行基坑变形预测分析.已有实测数据验证表明,所提模型在预测基坑最大测斜位移及该位移点处深度时的训练精度和泛化能力相比双层LSTM模型及XGBoost模型均有较大提升,使用时间点特征的XGBoost模型比LSTM模型更适合预测对时间因素敏感的指标.
-
关键词
时间序列分析
基坑测斜
双层LSTM
极致梯度提升(XGBoost)
堆叠算法
-
Keywords
time series analysis
foundation pits lateral deformation
two-layer LSTM
extreme gradient boosting(XGBoost)
Stacking algorithm
-
分类号
TU433
[建筑科学—岩土工程]
-
