期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于无人机图像和SHAP特征筛选的小麦田间产量预测方法研究
1
作者
朱志畅
葛焱
+4 位作者
臧晶荣
李庆
金时超
徐焕良
翟肇裕
《麦类作物学报》
北大核心
2025年第2期264-274,共11页
为了探寻适宜的小麦产量预测模型并提高其精度,从冬小麦灌浆期的无人机多光谱和RGB图像中提取了14种光谱参数和28种形态参数作为特征变量,利用线性回归、随机森林、神经网络等10种机器学习方法构建小麦田间产量预测模型,并比较了模型间...
为了探寻适宜的小麦产量预测模型并提高其精度,从冬小麦灌浆期的无人机多光谱和RGB图像中提取了14种光谱参数和28种形态参数作为特征变量,利用线性回归、随机森林、神经网络等10种机器学习方法构建小麦田间产量预测模型,并比较了模型间预测能力的差异;同时,引入机器学习事后可解释性方法SHAP对输入的特征变量进行重要性分析和筛选,了解其提高模型预测能力的效果。结果表明:(1)10种机器学习模型中,误差逆传播神经网络BPNN的产量预测表现最好(r^(2)=0.826,RMSE=0.094 t·hm^(-2));(2)根据SHAP确定的特征变量重要性排序,花青素反射指数ARI和三维冠层体积Volume对于预测结果的影响最大,占全部特征重要性总和的45.48%;(3)经过SHAP特征筛选后,确定了在BPNN产量预测模型上表现最优的9个特征变量,其预测结果r^(2)为0.865,RMSE为0.075 t·hm^(-2),比使用全特征的BPNN和事前Pearson相关性分析方法在预测精度上均有提升。因此,在优选产量预测模型基础上,可采用SHAP机制对特征变量的重要性进行筛选和分析,以此进一步提高田间小麦产量预测精度。
展开更多
关键词
小麦
无人机图像
机器学习
shap加性解释方法
产量预测
在线阅读
下载PDF
职称材料
基于LSTM-多头混合注意力的可解释换道意图预测
2
作者
高凯
刘健
+3 位作者
刘林鸿
刘欣宇
张金来
杜荣华
《汽车安全与节能学报》
CAS
CSCD
北大核心
2024年第5期763-773,共11页
为了使自动驾驶汽车准确地预测其周围车辆的换道意图,提出了一种基于长短期记忆神经网络(LSTM)-多头混合注意力的可解释换道意图预测模型。该模型可以充分提取目标车辆与其周围车辆之间的时空交互关系,并且提出了一种基于最大熵的Shaple...
为了使自动驾驶汽车准确地预测其周围车辆的换道意图,提出了一种基于长短期记忆神经网络(LSTM)-多头混合注意力的可解释换道意图预测模型。该模型可以充分提取目标车辆与其周围车辆之间的时空交互关系,并且提出了一种基于最大熵的Shapley加性解释方法(SHAP)来解释各个特征在特定时间步对模型输出的影响程度,在HighD数据集上进行了实验。并通过SHAP值的可视化,直观解释了换道预测模型在特定时刻的目标车辆的换道行为。结果表明:该换道预测模型在换道前3 s的综合准确率,分别比LSTM、卷积神经网络(CNN)、多头注意力高出4.03%、9.51%、5.16%,这证明了模型在长时域预测的有效性;错误预测样本归因于模型缺陷或样本稀疏。该换道预测模型可为用户进行模型优化提供指导。
展开更多
关键词
自动驾驶汽车
换道意图预测
注意力机制
长短期记忆神经网络(LSTM)
shap
ley
加
性
解释
方法
(
shap
)
在线阅读
下载PDF
职称材料
基于机器学习的公交驾驶员事故风险识别及影响因素研究
被引量：
4
3
作者
朱彤
秦丹
+2 位作者
魏雯
任杰
冯移冬
《中国安全科学学报》
CAS
CSCD
北大核心
2023年第2期23-30,共8页
为从公交驾驶员群体中识别出易发生事故的风险公交驾驶员,结合某市公交公司营运安全管理系统数据库、百度应用程序接口(API)及网络爬取技术,并应用K近邻算法补充缺失值,获取42条线路及1893名驾驶员的数据;基于驾驶员、车辆、线路特征、...
为从公交驾驶员群体中识别出易发生事故的风险公交驾驶员,结合某市公交公司营运安全管理系统数据库、百度应用程序接口(API)及网络爬取技术,并应用K近邻算法补充缺失值,获取42条线路及1893名驾驶员的数据;基于驾驶员、车辆、线路特征、违规行为、事故、管理等基本特征变量构造派生变量;采用包括递归特征消除、有惩罚项的逻辑回归、随机森林的集成方法选择特征;采用极致梯度提升(XGBoost)等6种机器方法分别建立分类模型,并采用贝叶斯方法优化超参数。结果表明:在构建的6个分类模型中,XGBoost方法构建的模型其受试者工作特征(ROC)曲线下的面积(AUC)评估结果最佳;运用贝叶斯方法优化模型,可以在一定程度上提升ROC的AUC指标;对于风险公交驾驶员预测准确率达到98.66%,运营单位还可以根据自身情况权衡虚报率与命中率代价。此外,车辆服役时间、违规次数等特征对于事故风险具有明显的非线性影响。
展开更多
关键词
风险公交驾驶员
机器学习
事故风险
极致梯度提升(XGBoost)
shap
ley
加
性
解释
(
shap
)值
在线阅读
下载PDF
职称材料
题名
基于无人机图像和SHAP特征筛选的小麦田间产量预测方法研究
1
作者
朱志畅
葛焱
臧晶荣
李庆
金时超
徐焕良
翟肇裕
机构
南京农业大学人工智能学院
南京农业大学工学院
南京农业大学农学院
南京农业大学前沿交叉研究院
出处
《麦类作物学报》
北大核心
2025年第2期264-274,共11页
基金
江苏省自然科学基金项目(BK20231004)
中央高校基本科研业务费专项(KYCXJC2023007)。
文摘
为了探寻适宜的小麦产量预测模型并提高其精度,从冬小麦灌浆期的无人机多光谱和RGB图像中提取了14种光谱参数和28种形态参数作为特征变量,利用线性回归、随机森林、神经网络等10种机器学习方法构建小麦田间产量预测模型,并比较了模型间预测能力的差异;同时,引入机器学习事后可解释性方法SHAP对输入的特征变量进行重要性分析和筛选,了解其提高模型预测能力的效果。结果表明:(1)10种机器学习模型中,误差逆传播神经网络BPNN的产量预测表现最好(r^(2)=0.826,RMSE=0.094 t·hm^(-2));(2)根据SHAP确定的特征变量重要性排序,花青素反射指数ARI和三维冠层体积Volume对于预测结果的影响最大,占全部特征重要性总和的45.48%;(3)经过SHAP特征筛选后,确定了在BPNN产量预测模型上表现最优的9个特征变量,其预测结果r^(2)为0.865,RMSE为0.075 t·hm^(-2),比使用全特征的BPNN和事前Pearson相关性分析方法在预测精度上均有提升。因此,在优选产量预测模型基础上,可采用SHAP机制对特征变量的重要性进行筛选和分析,以此进一步提高田间小麦产量预测精度。
关键词
小麦
无人机图像
机器学习
shap加性解释方法
产量预测
Keywords
Wheat
UAV imagery
Machine learning
shap
ley additive explanations
Yield prediction
分类号
TP391 [自动化与计算机技术—计算机应用技术]
S512.11 [农业科学—作物学]
在线阅读
下载PDF
职称材料
题名
基于LSTM-多头混合注意力的可解释换道意图预测
2
作者
高凯
刘健
刘林鸿
刘欣宇
张金来
杜荣华
机构
长沙理工大学汽车与机械工程学院
长沙理工大学智能道路与车路协同湖南省重点实验室
出处
《汽车安全与节能学报》
CAS
CSCD
北大核心
2024年第5期763-773,共11页
基金
湖南省自然科学基金项目(2024JJ5023)
国家自然科学基金青年项目(62403076)。
文摘
为了使自动驾驶汽车准确地预测其周围车辆的换道意图,提出了一种基于长短期记忆神经网络(LSTM)-多头混合注意力的可解释换道意图预测模型。该模型可以充分提取目标车辆与其周围车辆之间的时空交互关系,并且提出了一种基于最大熵的Shapley加性解释方法(SHAP)来解释各个特征在特定时间步对模型输出的影响程度,在HighD数据集上进行了实验。并通过SHAP值的可视化,直观解释了换道预测模型在特定时刻的目标车辆的换道行为。结果表明:该换道预测模型在换道前3 s的综合准确率,分别比LSTM、卷积神经网络(CNN)、多头注意力高出4.03%、9.51%、5.16%,这证明了模型在长时域预测的有效性;错误预测样本归因于模型缺陷或样本稀疏。该换道预测模型可为用户进行模型优化提供指导。
关键词
自动驾驶汽车
换道意图预测
注意力机制
长短期记忆神经网络(LSTM)
shap
ley
加
性
解释
方法
(
shap
)
Keywords
autonomous driving vehicles
lane change intention prediction
attention mechanism
long short-term memory(LSTM)
shap
ley additive explanations(
shap
)
分类号
U461 [机械工程—车辆工程]
在线阅读
下载PDF
职称材料
题名
基于机器学习的公交驾驶员事故风险识别及影响因素研究
被引量：
4
3
作者
朱彤
秦丹
魏雯
任杰
冯移冬
机构
长安大学运输工程学院
交通运输部公路科学研究所
出处
《中国安全科学学报》
CAS
CSCD
北大核心
2023年第2期23-30,共8页
基金
国家重点研发计划(2019YFE0108000)
陕西省交通运输厅科研项目(21-34R)。
文摘
为从公交驾驶员群体中识别出易发生事故的风险公交驾驶员,结合某市公交公司营运安全管理系统数据库、百度应用程序接口(API)及网络爬取技术,并应用K近邻算法补充缺失值,获取42条线路及1893名驾驶员的数据;基于驾驶员、车辆、线路特征、违规行为、事故、管理等基本特征变量构造派生变量;采用包括递归特征消除、有惩罚项的逻辑回归、随机森林的集成方法选择特征;采用极致梯度提升(XGBoost)等6种机器方法分别建立分类模型,并采用贝叶斯方法优化超参数。结果表明:在构建的6个分类模型中,XGBoost方法构建的模型其受试者工作特征(ROC)曲线下的面积(AUC)评估结果最佳;运用贝叶斯方法优化模型,可以在一定程度上提升ROC的AUC指标;对于风险公交驾驶员预测准确率达到98.66%,运营单位还可以根据自身情况权衡虚报率与命中率代价。此外,车辆服役时间、违规次数等特征对于事故风险具有明显的非线性影响。
关键词
风险公交驾驶员
机器学习
事故风险
极致梯度提升(XGBoost)
shap
ley
加
性
解释
(
shap
)值
Keywords
risky bus drivers
machine learning
accident risk
extreme gradient boosting(XGBoost)
shap
ley additive explanation(
shap
)value
分类号
X928 [环境科学与工程—安全科学]
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
基于无人机图像和SHAP特征筛选的小麦田间产量预测方法研究
朱志畅
葛焱
臧晶荣
李庆
金时超
徐焕良
翟肇裕
《麦类作物学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于LSTM-多头混合注意力的可解释换道意图预测
高凯
刘健
刘林鸿
刘欣宇
张金来
杜荣华
《汽车安全与节能学报》
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
3
基于机器学习的公交驾驶员事故风险识别及影响因素研究
朱彤
秦丹
魏雯
任杰
冯移冬
《中国安全科学学报》
CAS
CSCD
北大核心
2023
4
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
