关键词： 潜在源模型   HMM模型   随机控制  

摘要： 传统计量方法使用回归方法实现金融时间序列预测,近年随着计算机的发展,机器学习方法被引入量化投资领域,机器学习算法进而被应用于金融资产价格预测之上。潜在源模型是一种以贝叶斯回归为基础的机器学习方法,通过获取训练数据的聚类特征用于贝叶斯回归从得到有效的预测价格;这种方法使用历史数据替代经验数据有效降低了参数估计的维度。HMM是机器学习方法中一类经典的算法,其是动态贝叶斯网络的一类特例,具有有效反映时间序列动变化特征的特点,其内部可调用动态贝叶斯网络一致的递归算法能够有效避免过拟合和降低训练量。本文主要内容如下:(1)构建潜在源模型,使用Kmeans聚类算法对训练集进行聚类获得包含价格走势特征的原型向量,再根据原型向量进行贝叶斯回归得到预测价格变动从得到价格序列预测值。(2)构建HMM模型,将整段测试集作为模型输入以观测值生成的方式获得预测结果并进行改进,改进为用对训练集进行滚动划分,每个划分区间使用HMM模型拟合,对测试集相同长度区间寻找最接近的历史价格序列并以历史价格序列涨跌幅作为预测涨幅得到预测值。(3)构建潜在源-HMM模型,利用滚动方法的HMM拟合得到的预测值作为潜在源模型的输入,得到新的原型向量后进行贝叶斯回归得到最终的预测结果。(4)对以上模型分别进行回测,回测过程使用随机最优控制方法进行动态调仓以保证性能指标最优,并加以CTA策略中的配对交易作为与机器学习算法的参照。本文研究结果发现,由潜在源模型和HMM模型结合的量化策略预测结果优于单独应用两模型的预测效果。

关键词： 环境振动   振动源强   地铁   机器学习   迁移学习  

摘要： 随着我国城市轨道交通建设的蓬勃发展,地铁运营产生的环境振动问题日益突出,合理的减隔振设计对环境振动预测提出了更高的要求。目前在地铁项目可行性阶段主要采用经验链式公式预测环境振动,振动源强作为该公式中最为重要的一项基础值,其高效准确的取值有利于后续预测工作的展开。针对当前振动源强取值的一些局限性,本文提出将机器学习的方法应用于振动源强取值的预测。主要研究内容及成果如下。(1)建立车辆-轨道-隧道-地层模型。运用多体动力学软件SIMPACK和有限元软件ABAQUS分别建立车辆-轨道模型和隧道-地层模型,计算列车通过时隧道壁处的加速度响应,采用两位校准法思想与实测结果进行对比,确保数值模型的准确性。(2)振动源强影响因素分析。考虑了车轮磨耗状态、钢轨磨耗状态、车速和土体动弹性模量四个变量,通过车辆-轨道-隧道-地层模型计算得到432组数据组成机器学习的基础数据库,在此基础上分析了各变量对振动源强的影响。(3)机器学习模型设计。在数据预处理阶段采用独热编码考虑定性指标;在预测评价阶段采用K折交叉验证和留一法消除训练集数据选取对预测结果的影响。选用支持向量机和BP神经网络两种机器学习方法,进行模型训练优化,最终得到两种模型对实测数据预测,绝对误差均在±2 d B以内,平均绝对误差均为0.59 d B,符合规范要求,均可以应用于实际工程预测。(4)BP神经网络的迁移学习。采用迁移学习方法,利用实测数据对预训练神经网络模型进行二次优化,使其对实测数据特征适应性更好。该方法综合了数值计算数据变化丰富和实测数据特征具有代表性的优点,为机器学习应用于实际工程预测提供了支撑。

关键词： 机器学习   WebGIS   耕地质量   农业   预测系统  

摘要： 我国是世界上最大的农业生产国,广阔的耕地资源与历史悠久的农耕文化,使得我国在农业实力上居于世界前列。目前我国的耕地资源总体呈现数量多、质量差的局面,各地方农业部门积极开展的耕地质量等级评价,明确了耕地质量提升与保护工作的下一步重点。本文以安徽省庐江县为研究区域,通过机器学习算法中的决策树（DT）模型与随机森林（RF）模型,构建安徽省耕地质量等级预测模型,将两种模型准确度进行对比,确定一种精度更高的预测模型;设计并开发了安徽省耕地质量等级查询与预测系统,并通过与Web GIS技术结合将模型内嵌,以GIS矢量图的形式,直观地展示安徽省耕地质量等级分布情况,实现区域定位与图斑查看、耕地质量相关信息查询与分析、耕地质量等级的预测等功能,以期为农业部门提供决策参考。主要工作与研究成果如下:（一）针对安徽省耕地质量影响因子选取问题,以耕地质量等级国家标准为基础,深度考虑耕地质量影响程度及重要性,利用特征选择方法进行特征影响因子选择。选取了耕地利用现状、土壤类型、耕层质地、质地构型、地形部位、灌溉能力、排水能力、土壤常规养分（有机质含量、有效磷含量、速效钾含量）含量及土壤酸碱度（p H值）等共计11个指标作为本研究的影响因子。（二）耕地质量特征影响因子指标数据多维度、多类型、多量纲,采用主成分分分析法（PCA）、数据量化处理（Quantization）、数据标准化处理（Normalization）等一系列方法进行处理后,数据集对机器学习算法模型具有较强适用性。（三）建立基于决策树（DT）与随机森林（RF）的耕地质量等级预测模型,采用拟合优度（R2）和均方根误差（RMSE）等评价指标评价模型精度。评价结果显示,基于决策树（DT）、随机森林算法（RF）的耕地质量等级预测模型,均具有较稳定的预测性能。其中RF表现性能最佳,对耕地质量等级预测的拟合优度R2达到98.81%,RMSE为0.27,模型稳定性较高。（四）设计、开发了安徽省耕地质量等级查询与预测系统,对系统进行回检测试。系统包含耕地质量等级、土壤养分、土壤类型查询与可视化,耕地质量等级预测模拟等功能,回检测试结果表明,模型对庐江县2020-2021年抽取的部分耕地质量等级评价数据具有较强适应性,测试结果与真实结果对比差值在0.1以内,模拟结果具有参考意义。

关键词： Machine learning   Raman   COVID-19   Deep learning   Spectroscopy   Classification   Raman spectroscopy  

摘要： One of the most challenging aspects of the emergent coronavirus disease 2019 (COVID-19) pandemic caused by infection of severe acute respiratory syndrome coronavirus 2 has been the need for massive diagnostic tests to detect and track infection rates at the population level. Current tests such as reverse transcription-polymerase chain reaction can be low-throughput and labor intensive. An ultra-fast and accurate mode of detecting COVID-19 infection is crucial for healthcare workers to make informed decisions in fast-paced clinical settings. The high-dimensional, feature-rich components of Raman spectra and validated predictive power for identifying human disease, cancer, as well as bacterial and viral infections pose the potential to train a supervised classification machine learning algorithm on Raman spectra of patient serum samples to detect COVID-19 infection. We developed a novel stacked subsemble classifier model coupled with an iteratively validated and automated feature selection and engineering workflow to predict COVID-19 infection status from Raman spectra of 250 human serum samples, with a 10-fold cross-validated classification accuracy of 98.0% (98.6% precision and 98.5% recall). Furthermore, we benchmarked nine machine learning and artificial neural network models when evaluated using eight standalone performance metrics to assess whether ensemble methods offered any improvement from baseline machine learning models. Using a rank-normalized scores derived from the performance metrics, the stacked subsemble model ranked higher than the Multi-layer Perceptron, which in turn ranked higher than the eight other machine learning models. This study serves as a proof of concept that stacked ensemble machine learning models are a powerful predictive tool for COVID-19 diagnostics.

关键词： 经济政策不确定指数   机器学习   LSTM长短期记忆神经网络   随机分位数回归  

摘要： 采用机器学习技术(BP神经模型、随机森林分位数回归、长短期记忆神经网网络LSTM)和传统统计方法(ARIMA模型)相结合对美国、英国经济政策不确定指数(EPU)历史数据进行拟合,结果发现四种方法中,长短期记忆神经网络LSTM的拟合效果最优,其次是随机森林分位数回归方法和BP神经网络技术,ARIMA模型拟合效果最差。美国EPU历史数据时间维度比英国EPU历史数据时间维度长,因而LSTM神经网络技术的拟合效果优越度非常显著,ARIMA模型的拟合均方根误差几乎是LSTM神经网络技术拟合均方根误差的3倍。机器学习技术对宏观经济变量的非线性长期预测,尤其是在大数据背景下具有较强适用性。

关键词： 上证指数   混联设计组合预测   机器学习方法   CEEMDAN模态分解  

摘要： 基于上证指数非线性、非平稳等复杂系统运行特征,选取由遗传算法优化的BP神经网络(GA-BP)、粒子群优化算法的支持向量机(PSO-SVM)和长短期记忆神经网络(LSTM)模型作为信息分类提取基本模型,进而引入自适应噪声完备集成经验模态分解(CEEMDAN)进行串联组合建模以优化模型,提升预测信息提取的充分性。为提高预测精度及加强方法的稳健性,进一步设计均匀权重与学习权重两类并联组合预测方式,构建起混联预测模型。通过预测的效果比较得知:混联模型整体能有效识别信息、提升预测精度;其中的CEEMDAN模态分解下的学习型权重混联组合预测模型应用于上证指数预测,效果比较理想。

关键词： 跨临界CO_(2)系统   机器学习   模型预测控制   动态仿真  

摘要： 为研究一种高效的跨临界CO_(2)并行压缩系统的控制方法,本文借助GT-SUITE仿真软件,建立了跨临界CO_(2)并行压缩系统的动态仿真模型,基于仿真得到的系统性能数据集,建立并对比了二阶多项式模型和神经网络模型的系统性能预测模型,并基于神经网络模型开发了跨临界CO_(2)并行压缩系统的模型预测控制器,研究控制器对系统控制稳定性、高效性、实时控制的性能。结果表明:在模型预测控制器作用下,不同制冷工况在150 s内系统能达到稳定运行状态;对比定值控制,采用模型预测控制的系统性能最大提升13.3%;仿真验证了提出的模型预测控制策略对于CO_(2)并行压缩系统实时控制性能优化的可行性,在给定工况下相比对定值控制整体提升性能7.3%。

关键词： 哮喘   逻辑回归分析   支持向量机   深度神经网络  

摘要： 目的比较逻辑回归分析、支持向量机和深度神经网络3种机器学习方法在哮喘预测和诊断过程中的准确性。方法选取2020年1月至2021年6月杞县人民医院收治的370例哮喘患者和201例其他呼吸道疾病患者作为研究对象,选择了22条哮喘诊断相关的条件作为输入数据,使用逻辑回归分析、支持向量机和深度神经网络3种算法分别对患者的输入数据进行分析,分析结果与医生专业的临床诊断结果进行比较,计算3种算法在哮喘诊断时的准确率并进行比较。结果当输入全部22个因素时,逻辑回归分析方法诊断哮喘准确率为94%,接收者操作特征曲线下面积(AUC)为0.97;支持向量机方法诊断哮喘准确率为82%,AUC为0.83;深度神经网络方法诊断哮喘准确率为98%,AUC为0.99。结论深度神经网络能够根据患者的临床数据准确预测哮喘,该深度神经网络的方法预测哮喘时比逻辑回归分析和支持向量机方法准确率更高,可以用于医生诊断哮喘时的助理服务,这一研究可以提高医生诊断哮喘时的准确性,值得在临床推广应用。

关键词： 认知障碍   预测   机器学习  

摘要： 机器学习方法被成功应用于生命科学的不同领域,由于其能够处理复杂数据,揭示个体信息和疾病间的隐藏关系,在疾病预测和诊断方面发挥着巨大作用。本文围绕老年人认知障碍预测研究,对常见预测因素和结局进行归纳,并总结机器学习方法在该领域的应用现状和不足.为今后认知障碍风险预测提供参考。