关键词： 神经网络方法   机器学习方法   时间发展方程  

摘要： 近年来,使用机器学习方法求解微分方程在不同领域受到越来越多的关注,然而机器学习方法在求解时间发展方程上遇到许多问题。本文从数据驱动的深度学习方法和基于方程学习的深度学习方法两个方面对现阶段针对时间发展方程的机器学习求解方法进行总结,并介绍在不同神经网络架构下针对性的求解算法。总结了使用物理信息引入的神经网络方法求解时间发展方程的训练特点与最新工作,并对未来工作进行展望。

关键词： 空气质量指数   气象要素   机器学习   长短期记忆模型(LSTM)  

摘要： 采用2015—2017年攀枝花市污染要素(PM_(2.5)、PM_(10)、SO_(2)、NO_(2)、O_(3)及CO)逐小时实测数据,分季节构建了K近邻模型(KNN)、BP神经网络模型(BPNN)、XGBoost模型和长短期记忆模型(LSTM)对逐小时空气质量指数(Air Quality Index,简称AQI)进行预测分析。结果表明:AQI与各类气象要素以及时间序列都具有良好的相关性,作为特征变量在空气质量等级分类预测中效果良好。模型预测评估方面,LSTM模型预测效果最好,综合准确率达88.1%,XGBoost次之。LSTM模型对污染天气预测效果良好,总体呈现冬季>秋季>春季>夏季。气象要素与空气质量等级相关性呈冬高夏低,能见度与空气质量等级相关性最好,而露点温度、水汽压相关性在夏季较差。本研究通过对比不同季节多种机器学习模型对逐小时AQI等级的预测效果,找出最适宜的模型,为环保部门准确预报、预测空气质量指数,提高环境治理效果提供参考。

关键词： 函数型时间序列   自适应分类   混合预测   迭代更新   高频数据  

摘要： 实时记录的高频数据呈现出显著的连续函数特征,无穷维等复杂本征结构使得传统分类和预测方法凸现弊端。针对函数型时间序列的波动模式识别和实时动态预测,本文提出自适应分类基础上的混合期望预测方法,并给出具体算法流程。(1)基于无核心信息损失的空间映射重构客观赋权的加权主成分距离,并以此量化函数之间的疏密程度进行初始类别划分;(2)综合检验类别函数之间均值和特征展开空间的显著性差异,提出潜在类别数目的确定准则以及对初始分类结果进行迭代更新的优化算法;(3)基于收敛的优化再分类结果建立函数类别归属的判别准则;(4)对于部分观测的新函数,分别计算其类属的后验概率以及其在每一子类别的预测值,并以类属概率为权重加总新函数在所有类别的预测值,构建日内信息迭代更新的函数型混合预测模型。基于多种情形的数值模拟和高频的上证综指预测分析发现,函数型时间序列的自适应分类预测不仅可以有效识别日内波动的类别模式,而且能够显著提升预测准确率,并且其相对优势保持稳健。

关键词： 产业政策   企业全要素生产率   文本分析   机器学习  

摘要： 全要素生产率是经济增长可持续性的重要表征,是经济高质量发展的动力源泉。提升全要素生产率对开启全面建设社会主义现代化国家新征程有着重要的战略意义。产业政策是政府引导绿色创新战略、加快推进供给侧结构性改革、促进产业结构调整升级的重要政策工具,如何通过优化产业政策来提高企业全要素生产率是现代化产业体系建设的重要课题。结合传统计量与机器学习方法,从政策内容、政策目标和政策手段3个角度,系统地探讨产业政策选择对企业全要素生产率的影响效应。基于2007~2020年1 238家上市公司的实证研究表明,产业政策内容、目标和手段的差异对企业全要素生产率有着不同影响。研究发现:政策内容中公共服务、资金投入、目标规划、金融支持、消费补贴等政策的出台能够促进企业的全要素生产率,海外机构管理政策的出台则抑制企业全要素生产率的提高;政策目标中产出目标设定对企业全要素生产率有抑制作用,而能效目标和劳动生产率目标则对企业全要素生产率有促进作用;政策手段中税收优惠和政府补贴对企业全要素生产率均有促进作用。从重要性排序看,政策手段作为对企业的直接干预,对企业全要素生产率的影响排在前列,其中,税收优惠对企业全要素生产率的影响最大,政策补贴次之;再次是目标规划政策的出台,进一步肯定了中国政府制定的发展规划对企业发展的重要影响;随后是公共服务,说明政府对公共服务的重视程度对企业全要素生产率也有着重要影响;排在第5、第6位的是消费补贴和资金投入,随后是海外机构管理;排名第8~10位的依次是能效目标、劳动生产率目标和产出目标。对比线性回归和机器学习方法,两者结论基本一致,但机器学习方法的拟合优度、均方差误均优于线性回归,有助于提高产业政策效应分析的准确性,其适用于产业政策选择决策场景。本研究可为提升政府政策决策智能化水平、强化政府治理能力提供文献支撑和分析工具。

关键词： AJCC-Ram   XGBoost集成学习   过采样   不平衡数据分类   软件缺陷预测  

摘要： 针对不平衡数据导致软件缺陷预测准确率低的问题,文中提出一种多层次自适应判断合成随机过采样(AJCC-Ram)结合XGBoost集成学习的不平衡数据分类方法(简称XG-AJCC)。该模型采用AJCC-Ram方法和XGBoost方法分别进行不平衡数据预处理和数据分类,从而实现软件缺陷准确预测。实验结果表明,相较于AJCC-Ram采样方法和调参后的XGBoost方法,XG-AJCC预测模型在AEEEM和NASA数据集中的F1均值分别提升了10%和6%左右。对比其他预测模型,该模型在两个数据集中的F1均值明显更高。由此说明,该模型具备较高的分类性能和预测稳定性,能够实现不平衡数据软件缺陷的准确预测。

关键词： 交通气象   高速公路   浓雾   机器学习   贵州  

摘要： 利用2020—2021年贵州省自动站逐小时观测资料,结合地面、高空气象观测及卫星云图等多源资料,筛选出36次浓雾过程,分析了辐射雾和锋面雾的分布特征,探讨高速公路浓雾的气象阈值,通过选取与贵州大雾相关的气象要素建立预警模型,同时运用EC预报资料进行预警指标检验。研究表明:(1)贵州全年各月均可能出现浓雾,其中锋面浓雾多于辐射雾,锋面浓雾常出现在秋冬季;辐射浓雾夏季发生频次高于其他季节且出现次数明显少于前者。根据大雾的空间分布特征,全省各区域都有可能发生这两种雾,但锋面浓雾主要分布在中西部区域,贵阳、息烽、开阳为中部地区浓雾多发中心,大方、普安、晴隆为西部中心;辐射浓雾主要分布在中东部区域,其中息烽、开阳为中部区域的辐射雾中心,德江、万山、丹寨为东部区域的中心。(2)使用SMOTE算法平衡数据后,采用SVM、RF和LR模型建立浓雾预测模型。实验显示,结合SMOTE的RF模型预测效果最佳,准确率达90.6%,有效提升预报精准度。

关键词： 太阳耀斑   日冕物质抛射   太阳质子事件   机器学习   预报模型  

摘要： 太阳爆发活动主要包括太阳耀斑、日冕物质抛射(coronal mass ejections,CME)和太阳质子事件(solar proton events,SPE),太阳爆发活动对空间天气和高技术领域有重要影响.太阳爆发活动短期预报是空间天气预报中一个活跃的研究领域.目前,数值的、统计的和机器学习的方法被用来建立太阳爆发活动预报模型.随着天基和地基观测设备的发展,积累了大量的太阳观测数据,数据驱动的太阳爆发活动预报模型取得了重大进展.本文介绍了机器学习算法在太阳爆发活动预报中的应用,总结了预报建模过程,概述了太阳爆发活动预报模型的进展,并展望了未来可能的研究方向.

关键词： 锋面自动识别   机器学习方法   气团标签   适配器   AMA-UNet  

摘要： 目前自动识别锋面的机器学习方法,因使用的锋面标签中有锋格点与无锋格点的比例严重不平衡,易导致训练的网络识别结果偏向无锋类别的问题,另外,网络输入的多气象要素,因特殊天气情况和地理位置等原因会产生数据特征冲突或者数据信息质量差的问题,造成输入数据与网络不匹配,后果是网络训练困难,识别准确度受影响。为此,提出一种基于气团标签训练AMA-UNet(自适应融合多气象要素U型网络)模型来进行锋面智能识别的方法,该方法使用欧洲中期天气预报中心的ERA5数据集的多个气象因子作为网络输入,将美国天气预报中心(WPC)提供的锋面数据集制作成气团标签以解决锋面标签中无锋类别与有锋类别的严重不平衡,同时利用AMA-UNet架构中的适配器解决输入数据与网络的不匹配问题,利于网络训练的同时,提高网络的综合性能。实验表明,气团作为标签比锋面直接作为标签训练的网络在评估指标上平均约提升5%,增加适配器后,网络在多评估指标上平均约提升3%,与其他方法相比各评估指标均有大幅提升。

关键词： 机器学习   心理测验   教育测验   测验安全   统计量  

摘要： 测验安全的事后检测主要依靠统计量方法,而新兴的机器学习方法凭借良好的检测性能与统计量方法形成互补。为了推进测验安全问题的解决,综述了监督学习、无监督学习和半监督学习三大类机器学习方法及其衍生的集成学习、深度学习与迁移学习方法在测验安全领域的应用,阐述了不同机器学习方法的特点,提供了数据的获取及处理、输入特征的选择等实用的方法建议。未来研究可以从机器学习与个人拟合、机器学习与多模态数据、基于生成对抗网络的异常检测,以及增加研究结果的可解释性几方面开展。

关键词： 盾构荷载   机器学习   注意力机制   预测性能  

摘要： 准确的盾构荷载预测有助于优化盾构机操作参数,确保隧道施工过程中的安全性。基于此,从盾构荷载数据的时序特征出发,利用机器学习技术构建由门控神经单元网络(Gated Recurrent Unit)和注意力机制(Attention mechanism)组成的GRU-Attention模型。该模型可以挖掘数据的时序性特征和重要时间节点信息。同时,依托杭州某盾构隧道工程,收集整理监测数据,通过试验对模型的预测性能进行验证。结果表明,与对照模型相比,GRU-Attention模型取得的MAE和RMSE值最小,R2值最大,表明该模型具有较好的数据挖掘能力,能够较准确地预测施工过程中的荷载变化;通过消融试验发现,GRU-Attention模型能够结合各个子模型的优点,准确预测盾构荷载,可为同类工程提供参考。