关键词： 财务状况   预测   线性回归   XGboost  

摘要： 以统计报表为基础有效地预测企业财务状况,有助于相关职能部门科学预判企业运行情况,为政策制定、规划实施和国民经济建设提供重要参考。本文从企业财务定报的内生特点出发,以机器学习方法捕捉报表特征,将线性回归和XGBoost有效融合,实现了B203表主要财务指标的整体预测,也为统计部门优化经济运行监测机制提供了科学工具。

关键词： 健康素养   预测模型   机器学习   范围综述  

摘要： 目的对应用机器学习方法构建的健康素养预测模型的种类、构建方法和预测效果进行范围综述,为该类模型的改进和应用提供参考。方法检索中国知网、万方数据知识服务平台、维普中文科技期刊数据库、PubMed和Web of Science,收集建库至2024年5月1日发表的应用机器学习方法构建健康素养预测模型研究文献。采用预测模型偏倚风险评估工具进行文献质量评价,对纳入文献的基本特征、模型构建方法、数据来源、缺失值处理、预测因子和预测效果等进行综述。结果检索获得文献524篇,最终纳入22篇,发表时间为2007—2024年。涉及48个健康素养预测模型,其中25个偏倚风险为高风险,占52.08%,主要问题集中在缺失值处理、预测因子选择和模型评价方法。模型构建方法包括回归模型、基于树的机器学习方法、支持向量机和神经网络模型。预测因子主要包括个人、人际关系、组织和社会/政策4个层面的因素,年龄、文化程度、经济水平、健康状况和互联网使用的出现频率较高。14篇文献进行了模型内部验证,4篇进行了外部验证。42个模型报告了受试者操作特征曲线下面积,范围为0.52~0.983,区分度良好。结论应用机器学习方法构建的健康素养预测模型展现了较好的预测能力,但研究在偏倚风险、数据处理和验证规范性等方面存在不足。

关键词： 小跨高比   SPRC连梁   机器学习   鲁棒性   承载力预测  

摘要： 为了更方便地预测小跨高比钢板-混凝土组合(steel plate-concrete reinforced composite,SPRC)连梁的承载力,通过机器学习(machine learning,ML)的方法对SPRC连梁展开承载力预测模型研究,具有重要意义。首先收集了现有的试验数据建立了SPRC连梁数据库,在此基础上,通过极限学习机(extreme learning machine,ELM)算法、反向传播神经网络(back propagation neural network,BPNN)算法、支持向量机(support vector machine,SVM)算法、K临近(K nearest neighbor,KNN)算法、随机森林(random forest,RF)算法以及极端梯度提升(extreme gradient boosting,XGBoost)算法等6种ML算法进行了数据的回归训练。通过模型性能指标对比分析,发现基于XGBoost算法的预测模型具有最好的鲁棒性和泛化能力,相比于软化拉压杆模型(softened strut-and-tie model,SSTM)具有更高的计算精度和稳定性,并提出了基于ML方法的高精度SPRC连梁承载力预测模型。此外,还对影响SPRC连梁的承载力参数进行了敏感性分析,结果表明各特征参数对于SPRC连梁承载力的影响程度从大到小依次是:钢板配板率(ρp)、连梁截面高度(h)、连梁截面宽度(b)、跨高比(l n/h)、箍筋屈服强度(f_(vy))、纵筋配筋率(ρs)、纵筋屈服强度(f_(sy))、箍筋配箍率(ρt)、钢板屈服强度(f_(py))、混凝土抗压强度(f_(cu))。

关键词： 盾构隧道   复合地层分类   数据增强   机器学习   地层预测  

摘要： 目前盾构施工中,地质勘探精度较低,在盾构掘进时难以精确获取掌子面地层与不良地质情况,存在一定施工风险。依托某市快速连接件隧道工程,提出基于机器学习的盾构机掘进地质情况实时识别方法。首先通过对地质数据进行相关性矩阵分析,选取部分盾构掘进参数作为模型输入,并按照复合地层情况进行分类整理作为模型输出,处理形成时序数据集和环代表数据集,用于对比数据量对分类结果的影响;其次,采用合成少数类过采样技术进行数据增强,解决数据不平衡的问题,分别形成环代表数据与时序数据的SMOTE增强数据集;最后,通过多种机器学习模型进行分类预测,并采用准确度(ACC)和混淆矩阵检验模型效果,对比不同数据集、不同模型导致的分类预测性能变化。获取时序数据进行数据集整理可以获得更大的数据量,保证机器学习模型的地层识别效果;通过SMOTE对地层数据进行处理,可实现不同类样本量的平衡与总样本量的扩充,所选模型中KNN、SVM、ANN模型分类效果得到进一步提高。

关键词： 股票预测   机器学习   BP神经网络   极限学习机(ELM)   长短期记忆网络(LSTM)  

摘要： 股票价格的预测是金融领域的一个重要研究课题,随着机器学习技术的发展,各种模型在股票预测中的应用也越来越广泛。本文通过比较BP神经网络(BP)、极限学习机(ELM)和长短期记忆网络(LSTM)三种常见机器学习方法的表现,分析其在股票预测中的优劣。通过对比实验数据的均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)、和决定系数(R2)等评价指标,本文验证了LSTM在处理时间序列数据方面的优势,特别是在股票价格预测的任务中表现出色,而BP神经网络和ELM各自具有特定场景下的应用价值。Predicting stock prices is an important research topic in the field of finance, and with the development of machine learning technology, various models are increasingly being applied in stock price prediction. This paper compares the performance of three common machine learning methods, BP neural network (BP), extreme learning machine (ELM), and long short-term memory network (LSTM), to analyze their advantages and disadvantages in stock price prediction. By comparing the evaluation indicators such as mean square error (MSE), root mean square error (RMSE), average absolute error (MAE), and coefficient of determination (R2) of the experimental data, this paper verifies the advantage of LSTM in handling time series data, especially in the task of stock price prediction, and the excellent performance of LSTM in this task. Meanwhile, BP neural network and ELM each have their own application value in specific scenarios.

关键词： 生物信息学   机器学习   预后   结果可重复性   研究报告   临床研究  

摘要： 确保临床试验数据的科学性和可靠性,是药物临床试验发展的关键,也是推动我国医药产业进步的重要举措。近年来,随着临床研究数据集复杂性的不断提升,传统统计方法的应用受到限制,机器学习(ML)方法被大量应用于观察性研究和预测模型中。机器学习能有效分析和利用海量数据,提供个性化的诊断、治疗和预后预测,从而提高临床研究和决策的准确性和效率。然而,目前由于研究报告撰写规则尚不统一,研究报告质量参差不齐。2020年,学术期刊《Cardiovascular Quality and Outcomes》发表的文章“临床研究中机器学习分析报告的建议”,探讨了机器学习分析结果进行透明和结构化报告的必要性,对采用机器学习技术的临床研究报告提出了系列规范建议。2024年4月,TRIPOD指南也更新了人工智能(AI)相关的报告规范。本研究以该分析报告为重点,借鉴TRIPOD+AI指南内容,探讨并整理了基于机器学习方法下我国临床研究报告的撰写规范,并提出建议,旨在让临床医生熟悉机器学习的基本原理,进一步提高我国药物临床试验专家学者应用机器学习方法促进临床研究的可重复性,加强临床研究报告撰写的规范性。

关键词： 橡胶制品   密炼机   开炼机   混炼胶   混炼时间   例外情况   温度设置   机器学习方法  

摘要： 橡胶制品应用于许多领域。由于橡胶制品的特性随应用领域的不同而不同,基于不同的聚合物、填料和添加剂,有许多不同的配方。为了将不同的配方成分加工成橡胶混炼胶,在大多数情况下,首选不连续的密炼机,或在极少数例外情况下选择开炼机。每个配方都需要一个混炼说明,包含胶料生产的工艺参数,例如密炼机的温度设置,密炼时间,配方成分的添加顺序。

关键词： CO   通量   机器学习模型   影响因素   模拟能力   冬小麦   夏玉米   农田  

摘要： 为探究典型冬小麦-夏玉米农田CO2通量的影响因素及不同机器学习模型对其模拟能力，选取中国生态系统研究网络禹城综合试验站冬小麦-夏玉米农田为研究对象，基于气象、土壤和作物生长等数据，通过类别型特征提升（CATBoost）、极限梯度提升（XGBoost）、支持向量机（SVM）、人工神经网络（ANN）、随机森林（RF）和K近邻法（KNN）六种机器学习算法，分析其对逐日净生态系统碳交换量（NEE）、总初级生产力（GPP）和生态系统呼吸（Re）模拟的准确性。结果表明：对不同机器学习模型而言，CATBoost模型对农田NEE、GPP和Re模拟的准确性都优于其他模型，XGBoost模型次之。对不同输入变量组合而言，当包含气象变量、土壤变量和作物变量时各机器学习模型的模拟效果最佳，其次是包含气象变量和作物变量，而包含气象变量和土壤变量的模拟效果相对较弱。对不同农田类型而言，六种机器学习模型在不同输入变量组合下表现出冬小麦田NEE、GPP和Re的模拟效果分别优于对应的夏玉米田。其中冬小麦田GPP和Re的模拟准确性相近，且优于NEE；而夏玉米田NEE和GPP的模拟准确性相近，且优于Re。

关键词： 选区激光熔化   极端梯度提升   机器学习   Ti-6Al-4V合金   熔池分类  

摘要： 鉴于选区激光熔化（selective laser melting， SLM）Ti-6Al-4V钛合金的实验样本有限，利用小数据集进行机器学习（machine learning， ML）以优化其工艺参数一直是业内亟待解决的关键问题。本文借助极端梯度提升(eXtreme gradient boosting ， XGBoost)算法，结合实验测试、高精度熔池动力学仿真以及工艺尺度的有限元分析，构建了一个数据驱动的SLM Ti-6Al-4V钛合金熔池分类的机器学习预测模型框架。该框架不仅利用高精度的仿真方法预测了不同工艺条件下SLM Ti-6Al-4V合金的熔池特性，还将这些仿真结果作为补充样本，与实验数据相结合，增强了数据集的多样性和丰富性。同时，本文引入了SLM特征化方法和一系列评估指标，通过采用优化的极端梯度提升技术，成功建立了工艺参数与熔池类型之间的定量关系。研究结果显示，即使在有限的数据集下，优化的极端梯度提升模型依然展现出较好的预测性能。

关键词： 人工智能   预测模型   TRIPOD+AI   报告规范  

摘要： 随着人工智能(AI)和机器学习方法在预测模型开发中的广泛应用,个体预后或诊断的多变量预测模型的透明报告(TRIPOD)2015指南已无法全面适应当下研究需求。本文旨在介绍和解析新版报告规范基于回归或机器学习方法的TRIPOD(TRIPOD+AI),通过详尽剖析27项清单条目,帮助研究者在比较TRIPOD 2015与TRIPOD+AI的基础上,更好地理解和应用这一更新的指南,以提高预测模型研究的报告质量、透明性和可重复性。