检索结果-维普期刊中文期刊服务平台

基于集成学习的交通事故严重程度预测研究与应用被引量：12: 1; 作者单永航张希 +2 位作者胡川丁涛军姚远《计算机工程》 CAS CSCD 北大核心 2024年第2期33-42,共10页; 目前自动驾驶技术重点是关注如何主动避免碰撞,然而在面对其他交通参与者入侵而导致不可避免的碰撞事故场景时,预测车辆在不同行驶模式下的碰撞严重程度来降低事故严重程度的研究却很少。为此,提出一种双层Stacking事故严重程度预测模... 展开更多; 关键词交通安全交通事故严重程度预测智能车辆集成学习 K近邻自适应提升树极度梯度提升树逻辑回归; 在线阅读下载PDF 职称材料

基于RFE-BXGBoost的轴承套圈沟道表面缺陷识别方法被引量：4: 2; 作者徐凯张会妨《机电工程》 CAS 北大核心 2023年第11期1691-1699,共9页; 轴承套圈是轴承部件的重要组成部分,其表面缺陷影响轴承的服役期限。为了解决轴承沟道表面缺陷难以被准确识别的问题,提出了一种基于特征递归消除的贝叶斯极度梯度提升树(RFE-BXGBoost)的轴承套圈沟道表面缺陷识别模型(方法)。首先,基... 展开更多; 关键词滚动轴承特征递归消除极度梯度提升树轴承套圈沟道有放回随机抽样集成模型; 在线阅读下载PDF 职称材料

基于数据挖掘技术的股票收益率方向研究被引量：6: 3; 作者苟小菊王芊《运筹与管理》 CSSCI CSCD 北大核心 2021年第1期163-169,共7页; 本文依据数据挖掘技术对股票收益率的变化方向进行探究。通过小波多尺度分解,将股票价格转化为不同频率域下的子序列数据、并对其中的高频序列进行降噪。构建极度梯度提升树(XGBoost)、以及其它主流机器学习算法,对沪深300和中证500指... 展开更多; 关键词数据挖掘收益率方向极度梯度提升树小波分解偏相依关系; 在线阅读下载PDF 职称材料

基于XGBoost-LSTM的胶凝砂砾石抗压强度预测被引量：6: 4; 作者郭磊高航 +2 位作者田青青郭利霞李泽宣《建筑材料学报》 EI CAS CSCD 北大核心 2023年第6期631-637,共7页; 针对胶凝砂砾石(CSG)抗压强度试验周期长、耗材大等问题,运用极度梯度提升树-长短期记忆网络(XGBoost-LSTM)组合模型对CSG抗压强度进行预测.先选取相关性较强的“水泥含量”和“砂率”这2个输入变量代入XGBoost模型进行预测,并将结果与... 展开更多; 关键词极度梯度提升树长短期记忆网络胶凝砂砾石抗压强度; 在线阅读下载PDF 职称材料

题名基于集成学习的交通事故严重程度预测研究与应用被引量：12: 1; 作者单永航张希胡川丁涛军姚远; 机构上海交通大学机械与动力工程学院; 出处《计算机工程》 CAS CSCD 北大核心 2024年第2期33-42,共10页; 基金国家自然科学基金(52177218)。; 文摘目前自动驾驶技术重点是关注如何主动避免碰撞,然而在面对其他交通参与者入侵而导致不可避免的碰撞事故场景时,预测车辆在不同行驶模式下的碰撞严重程度来降低事故严重程度的研究却很少。为此,提出一种双层Stacking事故严重程度预测模型。基于真实交通事故数据集NASS-CDS完成训练,模型输入为车辆传感器可感知得到的事故相关特征,输出为车内乘员最高受伤级别。在第1层中,通过实验对不同学习器组合进行训练,最终综合考虑预测性能以及耗时挑选K近邻、自适应提升树、极度梯度提升树作为基学习器;在第2层中,为降低过拟合,采用逻辑回归作为元学习器。实验结果表明,该方法准确率达到85.01%,在精确率、召回率和F1值方面优于其他个体模型和集成模型,该预测结果可作为智能车辆决策规划模块先验信息,帮助车辆做出正确的决策,减缓事故损害。最后阐述了模型在L_(2)辅助驾驶与L_(4)自动驾驶车辆中的应用,在常规车辆安全防护的基础上进一步提升车辆的安全性。; 关键词交通安全交通事故严重程度预测智能车辆集成学习 K近邻自适应提升树极度梯度提升树逻辑回归; Keywords traffic safety traffic accident severity prediction intelligent vehicle ensemble learning K-Nearest Neighbor(KNN) Adaptive Boosting(AdaBoost)tree eXtreme Gradient Boosting(XGBoost)tree logistic regression; 分类号 TP27 [自动化与计算机技术—检测技术与自动化装置]; 在线阅读下载PDF 职称材料

题名基于RFE-BXGBoost的轴承套圈沟道表面缺陷识别方法被引量：4: 2; 作者徐凯张会妨; 机构新乡职业技术学院数控技术学院新乡职业技术学院教务处; 出处《机电工程》 CAS 北大核心 2023年第11期1691-1699,共9页; 基金河南省科技攻关项目(152102210100) 天津市自然科学重点基金资助项目(16JCZDJC38200)。; 文摘轴承套圈是轴承部件的重要组成部分,其表面缺陷影响轴承的服役期限。为了解决轴承沟道表面缺陷难以被准确识别的问题,提出了一种基于特征递归消除的贝叶斯极度梯度提升树(RFE-BXGBoost)的轴承套圈沟道表面缺陷识别模型(方法)。首先,基于特征衍生的思想,对轴承沟道的时域、频域等特征进行了提取,使用了极度梯度提升树(XGBoost)作为基于特征递归消除(RFE)的基学习器,对影响轴承沟道表面缺陷最佳特征子集进行了选择,并过滤了冗余特征;然后,利用基于贝叶斯优化的XGBoost模型组成弱分类器,为了降低模型预测结果的方差,使用有放回随机抽样法,对基分类器进行了选取;最后,根据抽样结果,利用投票法获得了最终的表面缺陷识别结果,并使用轴承套圈沟道实测数据集进行了模型预测性能的测试。实验结果表明:基于RFE-BXGBoost的表面缺陷识别模型的识别准确率为0.90,F1-score为0.879,优于仅使用自适应提升法(Adaboost)、随机森林、梯度提升树的表面缺陷识别结果。研究结果表明:该表面缺陷识别模型对复杂零部件和系统的表面缺陷识别有一定的效果。; 关键词滚动轴承特征递归消除极度梯度提升树轴承套圈沟道有放回随机抽样集成模型; Keywords rolling bearing recursive feature elimination(RFE) extreme gradient boosting tree(XGBoost) the bearing ring groove random sampling with replacement ensemble model; 分类号 TH133.33 [机械工程—机械制造及自动化] TH17 [机械工程—机械制造及自动化]; 在线阅读下载PDF 职称材料

题名基于数据挖掘技术的股票收益率方向研究被引量：6: 3; 作者苟小菊王芊; 机构中国科学技术大学管理学院; 出处《运筹与管理》 CSSCI CSCD 北大核心 2021年第1期163-169,共7页; 基金国家自然科学基金青年基金项目(71701191)。; 文摘本文依据数据挖掘技术对股票收益率的变化方向进行探究。通过小波多尺度分解,将股票价格转化为不同频率域下的子序列数据、并对其中的高频序列进行降噪。构建极度梯度提升树(XGBoost)、以及其它主流机器学习算法,对沪深300和中证500指数中成分股的涨跌进行了拟合并预测。研究发现XGBoost的平均准确率分别达到了54.69%和55.13%,同时依据预测信号构建的投资策略可产生稳定收益,表明该方法具备较强的预测能力。在此基础上,对机器学习算法存在的“黑箱”问题进行了阐述和研究,对模型选股的逻辑进行了探析:提出一种因子权重的度量方法,研究发现市净率、市盈率、能量潮等指标在模型中是较为重要的判别指标,并通过偏相依关系度量了模型中各因子对于股价涨跌方向的边际影响,得到模型倾向于选择市盈率、市净率较小的股票等一些结论,使算法的逻辑更为清楚。; 关键词数据挖掘收益率方向极度梯度提升树小波分解偏相依关系; Keywords data mining direction of stock return rate XGBoost wavelet decomposition partial dependence; 分类号 F224 [经济管理—国民经济] O212 [理学—概率论与数理统计]; 在线阅读下载PDF 职称材料

题名基于XGBoost-LSTM的胶凝砂砾石抗压强度预测被引量：6: 4; 作者郭磊高航田青青郭利霞李泽宣; 机构华北水利水电大学水利学院华北水利水电大学河南省水环境模拟与治理重点实验室中国水利水电科学研究院水资源所; 出处《建筑材料学报》 EI CAS CSCD 北大核心 2023年第6期631-637,共7页; 基金 “十四五”国家重点研发计划项目(2021YFC3001000) 国家自然科学基金资助项目(52109154)。; 文摘针对胶凝砂砾石(CSG)抗压强度试验周期长、耗材大等问题,运用极度梯度提升树-长短期记忆网络(XGBoost-LSTM)组合模型对CSG抗压强度进行预测.先选取相关性较强的“水泥含量”和“砂率”这2个输入变量代入XGBoost模型进行预测,并将结果与原特征一起代入LSTM模型;再采用94组抗压强度数据进行训练和验证.结果表明:与基础模型XGBoost和LSTM相比,XGBoost-LSTM组合模型的决定系数分别提高5.6%和3.5%.说明通过XGBoost模型构造新特征具有可行性,且XGBoost-LSTM组合模型能够对CSG抗压强度进行精准预测.; 关键词极度梯度提升树长短期记忆网络胶凝砂砾石抗压强度; Keywords extreme gradient boosting tree(XGBoost) long short-term memory network(LSTM) cementitious sand and gravel(CSG) compressive strength; 分类号 TV41 [水利工程—水工结构工程]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于集成学习的交通事故严重程度预测研究与应用	单永航张希胡川丁涛军姚远	《计算机工程》 CAS CSCD 北大核心	2024	12	在线阅读下载PDF 职称材料
2	基于RFE-BXGBoost的轴承套圈沟道表面缺陷识别方法	徐凯张会妨	《机电工程》 CAS 北大核心	2023	4	在线阅读下载PDF 职称材料
3	基于数据挖掘技术的股票收益率方向研究	苟小菊王芊	《运筹与管理》 CSSCI CSCD 北大核心	2021	6	在线阅读下载PDF 职称材料
4	基于XGBoost-LSTM的胶凝砂砾石抗压强度预测	郭磊高航田青青郭利霞李泽宣	《建筑材料学报》 EI CAS CSCD 北大核心	2023	6	在线阅读下载PDF 职称材料