关键词： 家庭年龄结构   消费需求   机器学习   非线性影响  

摘要： 新发展格局下扩大有效内需成为我国现阶段重要目标,研究家庭人口年龄结构变动对居民消费需求的影响具有较强的现实意义。文章基于中国家庭追踪调查数据(CFPS2018),结合机器学习方法构建LASSO分位数回归及门限回归模型实证检验了家庭年龄结构对消费需求的非线性影响机制。研究发现:城镇居民家庭年龄结构对消费存在显著影响,伴随家庭消费层次提高,家庭少儿抚养比对消费的正向作用及家庭老年抚养比对消费的负向作用均减弱。进一步,门限回归结果表明当家庭中少儿与老年人口同时变化,只有家庭成员中少儿人口占老年人口的比例跨越门限阈值,此时家庭少儿抚养比提升对消费的刺激作用才能显现。由此,加强推进生育政策实施效果,完善养老保险体系,对释放有效内需具有重要作用。

关键词： K均值聚类   高斯混合模型   华亭地震   线性判别函数   二次判别函数   自训练模型  

摘要： 甘肃华亭地区历史上地震活动频繁,由于华亭地区拥有大型煤矿,因此该地区的地震活动除了常规的天然地震还有采矿引发的非天然地震.本文为了将两类地震事件进行准确区分,采用无监督、有监督到半监督分类方法,分析应用于甘肃华亭地震事件分类中.本文一共选取(34.8~35.7°N,106.1~107.1°E)范围内305个地震事件的波形数据,使用速度地震图的复杂度(C)和S/P波振幅比两个时变参数作为分类器,经过我们的训练分析,GMM、K均值、线性判别函数(LDA)、二次判别函数(QDA)、标签传播模型(Label Spreading)和自训练模型(Self Training)的最高总精度分别为87.87%、86.23%、92.16%、94.12%、96.73%、96.73%.根据分类结果分别讨论了无监督和有监督模型对天然地震和矿震的分类性能,六种方法对地震事件的分类都有不错的效果,其中半监督(Self Training)方法比其他方法有更好的改进.通过本研究我们发现,对于没有标签信息可用的无监督聚类算法,尤其是GMM方法具有与判别分析的监督方法接近的判别能力,而仅需要标注少量事件的半监督学习在本文的数据中体现了极佳的效果,甚至超过了拥有全部标签的有监督学习,这说明无监督和半监督方法可以在复杂地震大数据中做初步的分类工作,能节省地震类型标签制作的巨额工作量.

关键词： 氨氮   空间插值   机器学习   随机森林   SHAP  

摘要： 氨氮是地下水中的主要无机污染物之一,其主要来自农业、工业和生活污染。过量的氨氮会危害人类健康。氨氮时空分布受气象、水文、水文地质和土地利用类型等因素的影响,因此,基于有限采样点的地下水氨氮分析会产生很大的不确定性。本研究以三江平原松花江流域为例,选取土壤有机质质量分数、土壤全氮质量分数、土壤阳离子交换容量(CEC)、土壤pH值、地下水埋深、包气带黏土层厚度和土地利用类型作为潜在的影响因素,建立拟合氨氮质量浓度的机器学习模型;在此基础上使用解释机器学习模型的SHAP(shapley additive explanations)方法识别显著的影响因素,并据此建立机器学习预测模型,对研究区地下水氨氮质量浓度进行数据插补,分析其时空变化规律。研究结果表明:地下水埋深、土地利用类型、CEC和土壤有机质质量分数是研究区地下水氨氮的主要影响因素;2011—2018年期间,研究区地下水氨氮处于Ⅰ—Ⅲ类水质级别的面积呈现增加趋势,面积占比从31%增加到87%,Ⅳ—Ⅴ类水的面积呈现减少趋势,面积占比从69%减少到13%,水质整体向好。

关键词： 散斑图   斯坦福大学   美国能源部   光子产生   机器学习方法   X射线   探测技术   学习辅助  

摘要： 据美国国家加速器实验室网站11月7日消息,美国能源部国家加速器实验室(SLAC)和斯坦福大学的研究人员利用机器学习辅助方法加速了X射线自由电子激光探测技术,并将其扩展到以前无法研究的材料。研究人员在使用双脉冲技术研究材料时,X射线会从材料中散射出来,通常一次只能检测到一个光子,光子产生散斑图案代表样品在某一时刻的精确配置,通过比较每对脉冲的散斑图案来计算样本的波动。

关键词： 管道腐蚀缺陷   失效评估模型   失效概率   失效风险分类   蒙特卡罗  

摘要： 基于数据挖掘方法对管道腐蚀缺陷进行安全评估,主要内容包括:总结现有的腐蚀管道剩余强度评价方法,收集管道失效数据对各评价模型进行对比验证;基于管道失效评估模型及各变量参数分布规律,生成一个随机数据集,包括几何特性、腐蚀坑尺寸、管道年龄及管道材料等特征,并通过蒙特卡罗模拟管道的失效概率;根据管道失效概率进行风险分类,并通过机器学习算法训练有效的管道风险分类模型。

关键词： 锂离子电池储能   电池健康与安全   机器学习  

摘要： 随着当前电化学储能技术的广泛应用,电池储能电站的安全运维问题日渐突出。传统电池管理系统仅能获得各电池单体的电压、电流及温度,并且受限于硬件处理能力、数据传输带宽及延迟等条件,掌握海量电池单体储能系统的健康与安全运行状态成为关键技术难题。机器学习方法在锂离子电池运行状态预测领域的应用为储能电池系统安全管理创造了条件。针对锂离子电池安全管理需求,首先对锂离子电池滥用及热失控风险机理的相关研究进行了介绍。随后,讨论了锂离子电池管理系统架构及其应用特点,并详细论述了机器学习方法在锂离子电池健康与安全状态分析方面的应用。最后,对储能电站锂离子电池的安全管理进行了展望。

关键词： 机器学习   种类区分   字迹色痕   文件检验  

摘要： 在可疑文件检验领域的研究中,字迹色痕的种类鉴别等相关问题是目前国内文件检验从业者所关注的重点。随着科技的进步,利用机器学习方法结合传统的检测方法对各类物证进行种类区分的相关研究层出不穷,通过测量所获得的客观数据,结合相应的鉴别模型寻求最优的分类结果,使得鉴定结果更加精确化、可视化。本文对近年来机器学习方法应用在色痕种类鉴别方面的文献进行梳理总结,以期为其他学者开展相关研究提供参考。

关键词： CMAQ   近地面臭氧   机器学习   LSTM   XGBoost   误差变权倒数组合  

摘要： 为能更加准确地模拟出兰州市近地面臭氧浓度,在CMAQ(社区多尺度空气质量建模系统)的基础上,利用机器学习方法中的XGBoost(极限梯度提升)模型及LSTM(长短期记忆)神经网络模型建立近地面臭氧模拟结果的订正模型,并以两种方法为基础,利用误差变权倒数组合方法构建LSTM-XGBoost组合模型,以期进一步提高订正效果.本文选取兰州市4个国控站点(兰炼宾馆,铁路设计院,榆中校区,生物制品所)2019年7、8月环境空气质量监测数据及兰州市气象站同期气象数据,对CMAQ模拟的同时段兰州市近地面臭氧浓度进行订正.结果表明,CMAQ能够模拟出兰州市近地面臭氧浓度的空间及时间分布特征,但整体上对浓度有所低估.利用上述方法构建的订正模型中,LSTM-XGBoost组合模型的订正效果最好,臭氧相关性由CMAQ模拟的0.61~0.76提升至0.89~0.95,臭氧8h平均相关性由0.65~0.79提升至0.81~0.88,臭氧RMSE由44.83~70.17μg/m^(3)提升至15.21~26.53μg/m^(3),臭氧8h平均RMSE由40.07~67.57μg/m^(3)提升至14.24~28.54μg/m^(3).该研究表明利用机器学习方法对CMAQ模拟结果订正可行,可以改善环境空气质量模式模拟结果.

关键词： 肺癌   慢性阻塞性肺疾病   卷积神经网络   机器学习  

摘要： 目的 建立基于机器学习的慢性阻塞性肺疾病(简称慢阻肺)患者合并肺癌风险的预测模型,探索慢阻肺患者罹患肺癌的高风险因素,为早期发现慢阻肺患者肺癌发病风险提供智能预警奠定基础。方法 回顾分析2010年—2021年就诊于大连医科大学附属第二医院的共154例患者,其中慢阻肺组99例,慢阻肺合并肺癌组55例。患者均进行胸部高分辨率电子计算机断层扫描(high resolution computed tomography,HRCT)及肺功能测试。主要分析:(1)两组患者的年龄、体重指数(body mass index,BMI)、吸烟指数等基本信息、实验室检查结果、肺功能及胸部HRCT定量参数之间的差异是否具有统计学意义;(2)使用单因素和二元logistic回归方法分析慢阻肺患者患肺癌的高风险因素指标;(3)使用logistic回归和Gaussian过程等机器学习方法建立慢阻肺患者合并肺癌风险的预测模型。结果 基于统计学和logistic回归方法分析,BMI下降、全肺气肿指数增大、全肺平均密度增高、用力肺活量及凝血酶原时间百分比活动度增加是慢阻肺患者合并肺癌的危险因素。基于慢阻肺患者合并肺癌的机器学习风险预测模型,使用凝血酶原时间百分比活动度、全肺气肿指数、全肺平均密度、用力肺活量联合神经元特异性烯醇化酶和细胞角蛋白19的可溶性片段为特征,得到logistic回归和Gaussian过程的受试者工作特征曲线下面积均为0.88。结论 使用机器学习的方法建立慢阻肺患者合并肺癌风险的预测模型,可用于早期发现罹患肺癌高风险的慢阻肺患者。

关键词： 机器学习   因果推断   混杂因素控制  

摘要： 介绍医学研究中混杂因素对因果推断的影响及常见混杂因素识别方法,梳理机器学习方法在因果推断中控制混杂因素的应用,讨论应用机器学习方法在混杂因素控制中面临的机遇和挑战。