关键词： 喀斯特流域   氮浓度   氮通量   机器学习   监测频率优化  

摘要： 流域氮动态是影响水生生态系统稳定的关键，准确获取水体硝酸盐（NO3–-N）动态变化及其最佳监测频率对于流域水环境管理具有重要意义。本文以典型喀斯特流域贵州普定后寨河流域上游与下游地下水出漏点位（老黑潭和冒水坑）为研究对象，对高频（15 min）NO3–-N浓度及流量数据（2016/7/14至2018/2/10，各55 392个）分别建立监测频率为15 min（55 377）、1 h（13 834）、3 h（4 601）、5 h（2 755）、7 h（1 964）、12 h（1 139）及1 d（562）的数据集，并结合多种机器学习模型(Radial Basis Function（RBF）、Back Propagation（BP）、Support Vector Machines（SVM）和Random Forest（RF）)，获得了准确获取该流域水体硝态氮浓度及通量的最佳监测频率并筛选出最佳的机器学习模型。结果表明，高频数据可以显著提高模型的性能，即随着监测频率的提高，模型模拟效果得到显著提升。不同模型的表现说明，SVM在该流域NO3–-N浓度及通量预测中整体上表现最佳。综合准确度及维护成本，得出该喀斯特流域NO3–-N通量的最佳频率为5 h/次，上游老黑潭硝酸氮通量模拟结果的R2、NSE、MAE为RBF（0.95、0.93、32.50）,BP（0.95、0.83、68.95）,SVM（0.95、0.93、32.93）,RF（0.92、0.91、37.03），下游冒水坑为RBF（0.78、0.76、186.72）,BP（0.81、0.80、179.51）,SVM（0.83、0.82、171.28）,RF（0.85、0.83、174.72）。而NO3–-N浓度最佳监测频率为7 h/次，其中上游老黑潭硝酸氮浓度的R2、NSE、MAE为RBF（0.94、0.92、0.08）,BP（0.93、0.90、0.09）,SVM（0.93、0.93、0.07）,RF（0.88、0.86、0.10），下游冒水坑为RBF（0.79、0.78、0.14）,BP（0.78、0.78、0.14）,SVM（0.79、0.79、0.13）,RF（0.79、0.79、0.14）。研究结果可为具有快速响应的管道型流域水环境质量检测提供科学依据。

关键词： 机器学习   毒理学大数据   毒性预测   毒理学数据库  

摘要： 随着高通量技术的发展和海量毒理学数据的涌现,毒理学研究步入大数据时代。如何高效整合现有的毒理学数据、阐明化学物质毒作用规律并利用规律提示新信息,实现新化学物质毒性高效预测,是毒理学研究的前沿问题之一。鉴于传统化学物质毒性测试方法高成本、低通量且难以揭示机制信息,迫切需求高通量预测模型。机器学习方法已应用于毒性测试,如监督学习模型、无监督学习模型、深度学习模型、强化学习模型和迁移学习模型,其常用的化学物质特征数据主要包括化学物质结构数据、文本数据、毒理基因组数据和图像数据。将机器学习应用于毒性测试的研究潜力巨大,且取得一定进展,但目前研究主要集中于数据处理和模型开发,尚未形成应用度广、共识性强的方法。此外,机器学习模型的预测精度不仅取决于算法,亦受到数据质量的影响,算法与数据质量的相互促进发展亦是一大挑战。总之,毒理学领域的数据处理和模型构建需要跨学科的合作和技术创新,随毒理学数据库的日趋完善,各种模型算法的不断优化,基于机器学习模型开展新化学物质毒性预测将日益高效、准确,对保障人类健康和环境安全起到重要作用。

关键词： 公共管理研究   研究方法   机器学习   公共价值  

摘要： 社会数字化的发展使得机器学习方法愈加受社会科学研究重视。尽管机器学习方法对公共管理研究存在巨大价值,但该方法在现有公共管理文献中的运用仍相对有限。本文首先简要介绍了机器学习方法的基本原理和操作方法,然后整理分析了近年来国内外公共管理顶尖期刊上所发表文献中机器学习方法的具体应用,最后对该方法所面临的挑战和质疑进行了归纳和部分回应。本文认为,机器学习在公共管理研究中既可以作为一种数据收集与整理的研究方法,又可以作为一种数据分析的研究方法:首先,机器学习方法可以降低数据的收集成本,将非数值型数据转换为数值型数据,也可以用于非数值型数据的聚类;其次,在相关性分析的公共管理研究中,机器学习可以缓解“维数灾难”,即变量数过多导致的多重共线性以及过拟合问题,从而分析变量之间的非线性驱动作用;在因果推断类型的公共管理研究中,该方法主要用来分析异质性因果,但也可以结合其他因果推断方法从而估计平均处理效应,解决工具变量法、倾向得分匹配法、断点回归法、双重差分法和合成控制法在公共管理研究应用中所遇到的实践难题。然而,机器学习方法在实用易用性、结果解释性、研究可复现性等方面同样遭受质疑,“决策不透明”的铁笼有时也会诱发违背公共精神的风险。尽管如此,考虑到该方法潜在的巨大贡献,本文预计在公共管理研究中结合机器学习方法将成为一种新的研究趋势。

关键词： 碳达峰   预测   机器学习   影响因素  

摘要： 本文运用STIRPAT扩展形式,通过GRU模型预测4个非控制性变量,并结合“十四五”规划中3个控制性变量,构建包含7个变量的GRU模型,对国家中心城市碳排放进行预测,并分析其影响因素。为了预测结果的稳健性,本文采用Informer模型进行检验。研究表明:(1)使用GRU模型预测非控制性变量,国家各个中心城市的总人口、进出口总额、研发支出及能源消费总体均呈上升态势。(2)GRU预测结果和Informer校验结果均表明,北京市、上海市为碳达峰先锋城市,将于2025年前达峰;重庆市为碳达峰平稳城市,将于2030年前达峰;天津市和广州市为碳达峰迟缓城市,但总体碳排放量可控。国家中心城市的碳排放强度均呈下降趋势,差距在逐渐缩小。(3)GRU模型的影响因素分析显示,总人口、能源消费量会对碳排放产生正向效应,而森林覆盖率、研发支出及能源结构会对碳排放量产生抑制作用。

关键词： 人工智能   机器学习   证治规律   研究进展   述评  

摘要： 机器学习作为人工智能的核心分支之一,是中医智能化研究及数据挖掘的代表性技术手段。目前,机器学习在中医证候相关研究、组方配伍规律研究、预后模型构建研究及中医思维认知模型等中医证治规律研究领域逐步得到推广应用,并体现出了独特的优势,有效推动了传统中医向精准化、标准化和客观化的方向发展,但尚存在一些问题和局限性亟待解决。通过系统回顾近年来机器学习方法在中医证治规律领域的研究,并进行归纳总结、分析不足和提出今后应当努力的方向,以期进一步推动人工智能与传统中医药的交叉融通,促进中医药事业的高质量发展。

关键词： 混合课程   岩土工程   大数据   机器学习方法   研究生培养  

摘要： 高等教育发展任务包括适应信息化时代教育教学形态的改变,促进信息技术与教育教学的深度融合。重庆大学土木工程学院以岩土工程大数据和机器学习线上线下混合课程建设为契机,开展了以研究生培养质量提升为目标的改革与探索。针对岩土工程研究生群体新兴学科素养和信息化水平不足、高水平科研论文产出较难、科研产出单一、国际重要学术会议上学术获奖较少等问题,课程着重开展了培养模式、培养途径、培养方式、培养成果多样化四个方面的创新。课程采用国外知名教授全英文线上授课和线下授课结合的形式,结合科研项目、实践项目等加强研究生的科学创新精神和国际交流合作能力,并引入“过程测验”重点关注研究生的能力提升情况。实践证明,通过混合课程的建设,研究生科研素质与分析能力得到了明显的提升,课程建设获得了多方面的培养成果,有效推动了信息化技术在高等教育中的实施。

关键词： 长短期记忆神经网络   随机森林   支持向量回归   径流预测   预见期   预报方案  

摘要： 为探究不同预报方案对机器学习模型径流预测的影响,以淮河王家坝~蒋家集~润河集区间流域为例,设计了七种径流预测方案,采用LSTM(长短期记忆神经网络)、RF(随机森林)以及SVR(支持向量回归)三种机器学习模型进行径流预测。研究结果表明:(1)三种机器学习模型对降雨信息的敏感程度不同,且采用同时考虑径流影响因素以及前期历史径流的方案预测效果最佳,但随着预见期的延长,前期历史径流的重要性逐渐降低;(2)三种机器学习模型在不同预见期的径流预测表现有所差异:三种机器学习模型在预见期为1 d时预测精度均较高;当预见期为2~4 d时,SVR模型的预测效果较好;RF模型在预见期为5~7 d时预测精度较高。研究可为后续基于机器学习的径流预测提供参考。

关键词： SOLO分类   计算思维   思维认知结构   信息技术   评价  

摘要： 采用SOLO分类法可观察的认知结构层级的分级标准,通过学生对于大单元学习或一节课学习中各个任务的回答为评价依据,把抽象的“计算思维”这一核心素养变成可观察、可量化、可评价的思维认知结构层次,促进学生“计算思维”的提升。通过对目前关于“计算思维”课程的研究状况进行了剖析,并以SOLO分类理论为基础,构建了思维认知结构评价策略,以“机器学习:一元线性回归预测房价问题”为实例,阐述思维认知结构评价策略的具体运用,为“计算思维”学科核心素养的评价提供了有价值的参考。

关键词： 电气工程自动化系统   故障诊断   预防技术   系统稳定性   机器学习方法  

摘要： 电气工程自动化系统的故障诊断和预防技术甚至成为自动化关键的中心组件,然而这门技术仍处在对挑战的抗争中。为此,本文提出了一种富有成效的解决策略,该策略主要是通过研究并提出电气自动化系统中的故障诊断及预防方法,兼顾了机器学习的手法构建出了出色的故障诊断模型。这种模型的具体执行、打包及优化策略,涵盖了构建工艺、验证及优化等精细步骤。实例研究包含了多种电气设备,阳光般明亮的结果证明了本论文所提出的故障诊断及预防技术,有极大的作用于降低故障发生的概率,减法其对生产正常性的影响,大大增强了系统的稳定性与效能。这些技术将是未来电气工程自动化系统故障诊断的主要技术手段。后续研究将会主要集中在系统性能改进、自动化改革等方面,以期对电气工程自动化系统研究、实践和发展带来有力的支撑。

关键词： 电子电离质谱(EI-MS)   新精神活性物质   机器学习   分类预测模型  

摘要： 新精神活性物质的结构变化快速,给基于标准物质和质谱数据库筛选和鉴定这些新物质带来了挑战。本研究使用机器学习方法为未知新精神活性物质的结构鉴定提供新策略。基于871个质谱数据集构建了最近邻、支持向量机、随机森林和人工神经网络算法用于新精神活性物质的结构分类预测,采用5倍交叉验证的网格搜索对模型的超参数进行优化,使用混淆矩阵、准确度、精密度、召回率和f-分数评估4种分类预测模型的性能。结果表明,随机森林模型的预测能力最优,整体准确度可达89.27%,可以很好地对未知化合物结构类别进行预测,从而为未知化合物的结构鉴定提供依据。