关键词： CEO个人特征   新质生产力   机器学习  

摘要： 新质生产力是推动企业高质量发展的强劲推动力和支撑力,研究其驱动因素对于企业发展至关重要。本文基于高阶理论,以2009—2022年我国A股上市公司为研究对象,采用机器学习的集成算法考察并比较CEO多维个人特征对企业发展新质生产力的预测效果。研究发现:从整体来看,企业CEO个人特征能够预测新质生产力水平,并且不同特征的预测能力具有差异;从不同特征维度来看,CEO能力特征的预测能力最高;从单个特征来看,CEO所有权权力、任期、年龄和学历等特征表现出最佳的预测效果,是CEO促进企业发展新质生产力的关键个人特征要素。

关键词： 降水量预测   机器学习   组合模型   SARIMA-LSTM   区域泛化   影响因素  

摘要： 【目的】准确的降水预测在区域防洪减灾、水资源管理及社会经济发展具有重要作用。然而，降水过程受多尺度气象因子相互作用影响，具有显著的非线性与时空异质性。传统数值模型难以有效捕捉其复杂演变规律。【方法】研究基于随机森林堆叠技术，构建了KNN-LSTM、SARIMA-KNN、SARIMA-Prophet、SARIMA-LSTM、Prophet-LSTM、Prophet-KNN六种组合预测模型，采用南京市58238站点1990—2023年月降水数据开展建模，其中1990—2020年数据被作为训练集，2021—2023年数据作为预测集。利用江苏省12个独立气象站点同期数据进行区域泛化能力验证。【结果】结果表明：SARIMA-LSTM组合模型通过融合SARIMA的季节性分解优势与LSTM的长期依赖特征捕捉能力，在预测集上表现出最优精度，其R2=0.904、MAE=16.16 mm和MSE=477.87mm2。区域泛化能力验证显示该模型在江苏省13个气象站点的■0.919、■=15.33mm和■=537.52mm2，表现出良好的空间泛化能力。【结论】本研究构建的组合模型展现较好的预测性能，可为长江下游地区降水预测提供可靠的技术支撑，对区域水资源优化配置与灾害预警具有重要应用价值。

关键词： 五常稻花香米   近红外光谱技术   随机森林   相似大米品种鉴别   t-分布邻域嵌入  

摘要： 针对五常稻花香米市场存在与外观相似大米混配的现象，消费者购买时肉眼难以鉴别。本研究提出一种基于近红外光谱技术结合机器学习算法快速无损的鉴别五常稻花香米的方法。通过采集不同品种的大米近红外光谱数据，使用偏最小二乘回归模型确认一阶导数为最佳预处理方法，对比主成分分析和t-分布邻域嵌入降维方法，构建神经网络、k近邻算法、随机森林、决策树和朴素贝叶斯5 种机器学习模型进行品种判别对比。研究结果表明t-分布邻域嵌入在Calinski-Harabasz指数上提升了51.5%，表现出更好的聚类效果。经过t-分布邻域嵌入降维方法后，5 种模型的各项评价指标均优于未降维处理的模型，模型平均准确率达到了95.78%，其中朴素贝叶斯模型准确率提高了18.89%，提升效果最佳，随机森林模型的判别效果最好，预测集准确率和精准率分别为98.89%和98.96%。本方法可快速无损鉴别五常稻花香米，助力品牌保护和消费者权益维护，也为其他地理标志农产品鉴别提供新思路。

关键词： 多房价评估   机器学习回归   非线性影响曲线   武汉市  

摘要： 准确识别建成环境因素对房价的影响机制，是实现房价精细化评估与引导城市空间优化配置的基础前提。然而，传统评估方法多依赖线性回归模型，难以有效捕捉建成环境因素与房价之间所呈现的非线性关系及空间异质性特征，限制了对房价形成机制的深入理解与精准预测。本文以武汉市为研究对象，围绕“建成环境—房价”关系构建系统指标体系，涵盖地理区位、交通条件、公服水平、社会人文、景观质量、负外部性与建筑质量七个方面，提取18类建成环境变量，并基于决策树回归、随机森林（random forest,RF）与梯度提升决策树（gradient boosting decision tree,GBDT）等机器学习模型，构建房价评估模型，系统分析建成环境因子的非线性影响特征。结果表明，商圈距离、公园距离与高校距离等核心建成环境因子对房价具有显著影响，且呈现显著的非线性特征。与传统线性模型相比，机器学习模型在拟合精度（最高R2为0.873）与复杂关系揭示方面表现更优。本研究为城市房价评估提供了新的方法，不仅为武汉市的居住用地优化提供了科学依据，也为其他城市在资源优化配置方面提供了可借鉴的经验。

关键词： 二氧化碳浓度   机器学习   黄土高原   环境因子  

摘要： 二氧化碳（CO2）是主要的温室气体之一，空气中二氧化碳浓度的变化受到多种因素的影响。现在能连续观测地面空气二氧化碳浓度的站点依旧较少，但是常规气象数据容易观测，在给定地点如何用常规气象数据模拟地面空气二氧化碳浓度依旧缺乏研究。基于陕西省淳化县的和家山小流域的实测气象数据和二氧化碳浓度数据，分别采用不同位置的地面空气二氧化碳浓度或环境因子的组合驱动MLP、LSTM、Bi-LSTM和RF模型，评价了机器学习方法在黄土高原沟壑区典型站点模拟日尺度地面空气二氧化碳浓度的潜力。研究结果表明，无论是以同类型观测数据作为输入还是以环境因子的组合作为输入，4种机器学习模型都可以较好的模拟地面空气二氧化碳浓度的整体变化过程，且都可以用于插补数据。以其他点位实测二氧化碳浓度作为输入时，MLP模拟2号点的浓度C2精度最高，在测试集的误差仅为3.8%;以环境因子作为输入时，RF模拟2号点的浓度C2精度最高，在测试集的误差为6.3%。但是以环境因子作为输入时无法模拟出二氧化碳浓度剧烈的日变化过程。为了进行数据插补，以同类型的观测数据作为输入用于插补数据的效果更好，它可以较好地模拟出地面空气二氧化碳浓度的日变化过程。

关键词： 智能手机   GNSS信号分类   机器学习   视距   非视距  

摘要： 在城市环境中，GNSS信号容易受到遮挡或反射的影响，而反射产生的非视距（NLOS）信号会导致较大的定位误差。现有的GNSS接收信号分类研究主要针对专业级接收机，通过提取信号特征将其区分为视距（LOS）和非视距（NLOS）信号，以实现高精度定位。然而，这些研究中所采用的信号特征和分类方法并不一定适用于智能手机中低成本GNSS芯片的信号特性。本文提出一种基于机器学习的智能手机GNSS接收信号视距/非视距分类方法。该方法结合了载噪比、仰角、伪距残差、归一化伪距残差以及伪距残差百分比5个关键指标，并融合基于深度学习的天顶视图语义分割和卫星标定技术，构建精确的训练数据集。在典型城市场景下对多种机器学习模型进行评估，结果表明，所提出的方法在不同型号智能手机上的平均分类准确率达到85.8%。

关键词： 气溶胶光学厚度   机器学习   塔基高光谱观测   大气校正  

摘要： 气溶胶光学厚度（AOD）是表征大气中气溶胶颗粒散射和吸收特性的关键参数。在塔基生态遥感观测中，获取准确的AOD以量化气溶胶的散射和吸收作用对光谱观测数据的定量化处理至关重要。本研究提出一种基于塔基高光谱观测数据和机器学习的AOD反演方法。首先，基于大气辐射传输模型分析太阳辐照度对AOD变化的敏感性及其光谱特征。然后，选取785和665 nm波段的辐照度(E785和E665)，通过构建双通道比值指数(E785/E665)可以敏感追踪AOD的变化。最后，系统评估了3种机器学习模型（随机森林、支持向量机和人工神经网络）的反演精度。结果表明：基于塔基高光谱观测数据的3种机器学习模型估算的AOD均表现出较高的精度，决定系数分别为0.950、0.936、0.947，均方根误差分别为0.025、0.028、0.027，平均绝对误差分别为0.017、0.020、0.019，其中，随机森林模型表现最佳。机器学习方法有潜力在不需要额外辅助数据的情况下从太阳辐照度光谱数据中准确估算AOD，能够为塔基平台大气校正方法提供可靠、同步的AOD估算数据。

关键词： 大地热流   南海   机器学习   洋壳   洋中脊  

摘要： 大地热流是地球动力学研究与资源勘查的重要指标,但其测量易受气候、热液活动等因素的干扰,导致实测数据匮乏。本研究针对现有基于机器学习的热流预测模型对洋壳热流特异性考虑不足的问题,整合南海实测热流和多源地质、地球物理等数据,基于线性模型、支持向量机和XGBoost算法,通过对比引入与不引入洋壳特征(距洋中脊距离和洋壳年龄)的预测模型,揭示洋壳特征对南海热流分布的影响机制。结果显示:洋壳特征虽与实测热流值无显著相关性,但其使预测热流在洋中脊附近呈现更显著的带状分布;且在引入洋壳特征的模型中,布格重力异常的特征重要性显著高于其他特征。基于热流值、布格重力异常和距洋中脊距离的K-means聚类分析识别出构造主导型洋壳(类型1)与岩浆主导型洋壳(类型2)区域,印证南海洋壳扩张自23.6 Ma洋中脊跃迁后扩张机制由岩浆主导向构造主导的演化特征。本研究为南海深部动力学过程提供了数据驱动的新认知框架。

关键词： 心力衰竭   利尿剂抵抗   LASSO回归   特征选择   机器学习  

摘要： 目的 基于LASSO回归等机器学习方法探讨心力衰竭患者（heart failure,HF）医学指标对鉴别利尿剂抵抗（diuretic resistance,DR）状态的诊断价值,构建心力衰竭患者利尿剂抵抗早期识别模型,为医生提供更早的干预时机,缩短患者住院时间。方法 收集天津市胸科医院267例心衰患者作为研究对象,以患者64项医学指标作为自变量,以标准尿量、状态类别作为因变量。根据因变量的不同,采用两种方法构建心衰患者利尿剂抵抗早期识别模型。第一种方法是运用最小绝对值收敛和选择算子算法（least absolute shrinkage and selection operator,LASSO）进行回归拟合,采用十折交叉验证法确定最佳λ值,在测试集上通过预测患者标准尿量划分利尿剂抵抗状态;通过均方根误差（root mean square error,RMSE）、决定系数（coefficient of determination,R2）、分类准确度判断识别效果。第二种方法首先是使用最大相关性最小冗余度算法（max-relevance and min-redundancy,mRMR）选择出与状态类别相关的特征子集;然后利用三种不同的机器学习方法:logistic回归（logistic regression,LR）、随机森林（random forest,RF）和支持向量机（support vector machine, SVM）对患者进行状态分类,通过受试者工作特征曲线（receiver operating characteristic,ROC）下面积（AUC）、准确度、精确度、召回率、F1分数判断识别效果。结果 LASSO回归模型的最佳λ值为0.0161,测试集上均方根误差为0.3489,测试集上的决定系数为0.7200,准确度为91.36%。mRMR+LR、mRMR+RF、mRMR+SVM的AUC值分别为0.94、0.89、0.95,准确度分别为0.86、0.77、0.90,精确度分别为0.87、0.80、0.90,召回率分别为0.86、0.75、0.90,F1分数分别为0.86、0.75、0.90。在验证集上,LASSO回归相比于三种机器学习方法展现出更好的预测性能。结论 LASSO回归模型和mRMR+机器学习方法均能有效识别患者利尿剂抵抗状态。相比mRMR+机器学习方法,LASSO回归模型具有更好的利尿剂抵抗识别效果,能够为医院的早期干预提供更为精确的科学依据。

关键词： 气滞证   机器学习   辨证   诊断模型  

摘要： 目的建立基于机器学习方法的气滞证及其亚型证候辨证决策网络模型。方法基于中医证候临床诊断量表—气滞证及其亚型证标准,纳入498例符合气滞证候患者,采用annaconda 3.8.8软件进行气滞证辨证模型的构建,分别采用支持向量机(SVM)、随机森林(RF)、BP神经网络(BP-NNs)以及XGBoost算法进行建模,并优化相关参数。评价指标采用ROC曲线下面积、平均准确率、精确率、召回率、F值、运行速率,综合评价模型优劣,择优构建模型。结果XGBoost算法的平均准确率及ROC曲线下面积分数最高,分别为74.3%、0.94;随机森林算法的平均准确率及ROC曲线下面积为74%、0.93;BP神经网络平均准确率及ROC曲线下面积为70.9%、0.92;支持向量机平均准确率及ROC曲线下面积为71.4%、0.92。结论通过XGBoost算法构建气滞证辨证决策网络模型具有良好的诊断及证型辨别能力,且具有较高的准确率,机器学习技术的应用在中医传统证型的决策诊断模型构建具有方法学上的可行性。