基于数据驱动的汽车部件温度预测模型研究

目的 基于某汽车在中国吐鲁番地区自然暴露的部件温度变化试验数据,预测该车在美国凤凰城地区气象环境下的汽车部件温度变化。方法 把汽车部件的温度作为输出变量,提取影响汽车部件温度变化的关键特征(试验时间、大气温度、太阳辐照)作为输入变量,同时运用公式对不同纬度地区部件受到的太阳辐照进行修正,以消除地理位置的影响。利用Python等软件构建机器学习模型,用吐鲁番试验数据训练模型,然后预测该车部件在美国凤凰城地区的温度变化。结果 梯度提升机模型具有良好的泛化能力和预测精度,其预测值与实际值的平均绝对误差均在3.3°以内,拟合优度R²均大于0.90。BP神经网络和随机森林算法模型也具有较好的预测精度。结论 利用汽车在我国试验站点进行的自然暴露试验数据,可以预测该汽车部件在国外相似地区气象条件下的温度变化。该研究对于依据汽车部件在我国的自然暴露试验结果预测其他国家相似地区自然环境下汽车部件的温度变化具有一定的指导意义。     

我国典型化工行业VOCs排放特征及其对臭氧生成潜势

选取了我国5种典型化工行业VOCs排放源进行了源排放特征分析,通过对70个VOCs源样品的分析,结果表明,烷烃是合成材料制造业、石化行业和涂料产品制造业的主导VOCs种类（占比分别为43%、63%和68%）,烯烃是日用化学产品制造业的VOCs主要种类（46%）,卤代烃在专用化学品制造业排放中占主导（43%）;利用机器学习方法分析了上述行业的标志组分,发现癸烷和四氢呋喃是合成材料制造业源的特征标志组分,正丁醇和甲苯是日用化学产品制造业源的特征标志组分,1,2,3-三甲苯和1,3,5-三甲苯是石化行业源的特征标志组分,丙烯和3-甲基戊烷是涂料产品制造业的标志组分,对二甲苯和异丙苯是专用化学品制造业源的特征标志组分;并采用最大增量反应活性法（MIR）估算了各VOCs排放源的臭氧生成潜势（OFP）,结果表明,在单位浓度总VOCs排放条件下,对臭氧生成潜势的贡献大小依次为日用化学产品制造业、专用化学品制造业、石化行业、合成材料制造业和涂料产品制造业.建议在今后的臭氧防控中,更应关注各行业所排放的关键活性物种,而不仅仅注重VOCs排放总量.     

基于CatBoost算法的孔隙压力预测方法及其在井壁稳定分析中的应用

为解决传统孔隙压力预测方法(如伊顿法和鲍尔斯法)在预测孔隙压力时,适用范围较小、受人为因素影响较大等问题。基于CatBoost机器学习回归算法建立孔隙压力智能预测模型,并与决策树回归算法和随机森林回归算法进行比较,以某区块2口直井为例验证模型的预测效果。结合CatBoost模型的孔隙压力预测结果,利用数值模拟软件分析孔隙压力对井壁稳定的影响。研究结果表明：CatBoost模型的5个评价指标相对最优,孔隙压力当量密度实测值与预测值的相对误差最小,CatBoost模型具有较强的泛化能力和较高的预测精度;在低孔隙压力条件下,井周等效塑性应变不均匀性明显,井周进入塑性区的围岩区域主要集中在最大主应力方向;在较大孔隙压力作用下,井周等效塑性应变不均匀性有所降低,但井周等效塑性应变的极大值仍存在于最大主应力方向。研究结果可对孔隙压力精确预测和钻井作业安全施工提供一定指导作用。     

人工智能技术现状剖析

从1956年达特茅斯会议提出AI开始,AI的研究经历几次沉浮。在一次次的高潮和低谷的交替中,不可否认的是,AI无论是在理论还是实践中都取得了长足的进步。尤其是近期以深度学习为代表的AI技术取得了突破性的进展,在计算机视觉、机器学习、自然语言处理、机器人技术方面取得了巨大的进步,深刻改变了我们的生活。在这次变革中,实验室的成果很快就可以进入工业界,这在以往的技术发展史上是非常罕见的。2016年5月国家发展改革委员会等四部门联合下发《互联网+AI三年行动实施方案》,李克强总理的政府报告中也提到了AI产业发展,中国科学技术部"科技创新2030重大项目"将增加"AI2.0",AI已经上升为国家战略。面对AI的热潮,我们应该如何理解现状?如何看待其进步?又如何理解其功能和限制?本文将从AI的核心理论基础、当前存在的一些问题以及未来可能发展的方向等诸多方面对AI做介绍。     

基于机器学习的典型社会安全事件发生规律研究及对雄安新区的启示

针对雄安新区建设和发展过程中对社会安全事件的防控需求，以盗窃作为典型社会安全事件，提出基于机器学习模型的社会安全事件分析预测方法，并以A市2012—2016年的实际盗窃犯罪数据为基础，提取发案时间、发案地点、实施手段和损失金额作为分类特征，通过比较多种机器学习算法，研究盗窃前科人员的预测方法，并根据预测结果挖掘盗窃前科人员的作案规律。研究结果表明:随机森林算法表现最优,查准率、查全率和F1均达到了0.85以上；对于盗窃这一典型社会安全事件，其前科人员倾向于选择下午时段和人流量大的地区实施，盗窃金额明显高于初犯和惯犯。最后，基于前述研究，提出构建数据驱动的社会安全事件预测预警和综合研判系统，并针对该系统的前期建设和后期使用，给出“制定统一的数据格式”、“实现数据实时接入”的建议。相关研究成果可为雄安新区社会安全事件预测预警以及治安防控工作的开展提供参考和借鉴。     

基于机器学习的金属有机框架吸附水中重金属性能预测

为了能准确预测金属有机框架材料(MOFs)对水中重金属的吸附性能,收集了48篇文献中的MOFs结构特征和成分特性,以及吸附水中重金属的实验参数建立数据集,训练并评价了6种回归模型,包括支持向量回归(SVR)、K-最近邻(KNN)、提升法(AdaBoost)、梯度提升树(GBDT)、随机森林(RF)和袋装法(Bagging).结果表明:基于树的集成学习模型的预测性能表现优异,其中以GBDT算法训练的模型性能最佳;进一步应用该模型,证明了机器学习方法可以准确预测MOFs对水中重金属的吸附性能;排列重要性与部分依赖图(PDP)显示,除了可控的实验参数外,影响吸附量的重要因素是MOFs的孔径、比表面积、孔体积.本研究中的方法不仅能预测MOFs结构和性能的关系,还可以基于有效的实验参数模拟水中重金属的去除,进而为吸附材料的筛选优化提供参考.     

城市交通道路氮氧化物浓度的CART回归树预测研究

提出了基于CART回归树的氮氧化物(NO_x)浓度预测模型,利用杭州市延安路路边空气质量监测站2016年6—9月空气污染物监测数据和同期延安路路段车辆抓拍识别数据,通过数据处理、影响因素分析及CART回归树构造,搭建了NO_x浓度预测模型.实验分析结果表明,相对于支持向量机和BP神经网络预测模型,基于CART回归树的NO_x浓度预测模型的预测精度有大幅度提升,可决系数在0.92以上;同时,对环境条件差异较大的G20会议期间NO_x浓度进行预测分析,结果表明,CART回归树方法的预测精度比其它方法更高,能够适应不同条件下的预测需求.     

数字金融与碳排放:基于微观数据和机器学习模型的研究北大核心CSCDCSSCI

数字金融发展新阶段,中国同时正在进行碳达峰、碳中和的深刻变革。基于2000—2019年城市面板、工业企业等数据库匹配的多维微观数据样本,首先运用传统计量模型,结合R语言地理坐标系统和爬虫等前沿技术构建相应指标,从多个角度实证研究数字金融如何影响碳排放。然后,运用Python机器学习模型开展数字金融对碳排放的真实非线性效应研究。实证结果显示:①数字金融对地区总体碳排放量具有显著降低作用,而且通过了工具变量法等稳健性检验。②机制检验首次验证发现,数字金融通过支持数字科技产业化和传统产业数字化这两大机制影响碳排放。一方面,数字金融发展的普惠性主要体现在通过助力数字科技的产业化和优化产业结构减少地区总体碳排放。另一方面,对传统产业的数字化赋能并不在于直接的金融普惠性逻辑,而是通过深化市场整合、强化市场竞争,促进了企业的优胜劣汰,提升企业的创新投入和创新能力,从而提高能源利用和碳减排效率,降低地区总体碳排放。③机器学习模型分析首次发现,数字金融对碳排放影响的重要性与传统因素相当,此外,还揭示了其对碳排放影响的非线性趋势。上述研究有助于解释和统合数字金融对实体经济“创造性”和“破坏性”的争议,即数字金融发展对碳排放的减少起到重要作用,但是其影响机制较为间接,而且正面作用逐渐收敛和转向。基于此,应注重引导传统金融机构数字化转型和深耕服务实体经济,推进碳金融的数字化创新,强化数字金融反垄断监管,从而充分抓住新一代数字科技机遇,引导数字金融支持数字产业化和产业数字化,助力实现“双碳”目标。