基于IBES-XGBoost的高速铁路沿线风速预测模型

为保证高速铁路沿线风灾预警信息具有较高时效性，需要进行高速铁路沿线超短期风速的提前多步预测。针对众多预测模型在预测中可能存在较大误差的问题，采用Tent混沌映射和BFGS拟牛顿法对秃鹰搜索算法进行改进，并用改进的秃鹰搜索算法(IBES)对XGBoost的初始参数进行优化。在构建IBES-XGBoost模型时，加入风速以外的其他气象特征，以提高预测精度。实验结果表明：(1)改进的秃鹰算法相比其他智能优化算法有更好的寻优能力，与其他模型相比IBES-XGBoost在超短期风速的提前多步预测上有着较高的精度和较好的拟合效果。(2)Tent混沌映射和BFGS拟牛顿法对秃鹰算法有着较好的改进效果。(3)IBES-XGBoost能为高速铁路规范下的大风预警提供可靠的提前多步预测结果。     

道路交通事故责任智能化在线快速划分方法研究

为提高智慧交管建设水平，提升执法效率、降低执法成本，对交通事故中当事人责任智能快速划分进行研究。使用Pearson相关系数来计算全部特征与事故责任的相关系数，挑选出与事故责任划分高度相关的数据特征；基于道路交通事故数据及挑选出与事故责任划分明显相关的10个因素为评价指标，使用高效梯度提升决策树(XGBoost)算法对事故责任进行建模预测，结果相对准确，为78.9%,但存在模型对缺失样本分裂方向的处理能力有限及模型过拟合问题；通过参数优化和模型融合方法对XGBoost算法进行优化。结果表明：优化后的算法能有效地自动学习出缺失样本的分裂方向，模型融合对缺失值的处理率已提升至94.8%,处理率提升了50%,缺失样本的分裂方向通过模型融合基本全部得到有效学习，预测结果对比原始算法准确度提升至87.2%,交叉验证结果也表明该算法在交通事故责任智能认定中的适用性。     

湖南空气质量预报中的数据预处理和特征工程

为提高空气质量预报的准确率,建立了融合气象和环境观测资料、结合机器学习和数值天气预报,且预测时效较长、预测精度较高的机器学习模型库。以湖南6个城市(长沙、株洲、湘潭、益阳、常德、岳阳)的空气质量预报为例,将数据预处理、特征工程方法运用到模型之中,得出以下几点结论:①数据预处理工作包括样本收集、数据清洗、缺失值处理、异常值剔除等,对提高模型预测稳定性帮助很大。②点、线、面的特征组合有助于完整地描述污染物的生消过程。引入传输指数后,株洲市模型对传输型污染过程的预测性能得到明显提高,对轻度、中度、重度污染的分类准确度分别提升了23.6%、16.6%、30.0%。引入静稳指数后,长沙市模型PM_2.5浓度测试的相关系数由0.938提升至0.959,均方根误差由10.33下降至8.46,且模型对中度以上污染天气的极值预报结果更接近实况;益阳市模型在高浓度样本预测中存在的系统性偏低现象得到改善,对轻度以上污染天气的预报结果得到较大矫正。③随机森林的特征重要性排序功能可以大幅度减少特征的数量,使得模型的可解释性和稳定性增强。     

面向液氨泄漏应急救援区域的XGBoost预测方法研究

液氨发生泄漏事故后，随着扩散距离的增加，会对人员和环境造成严重的危害。为便于发生泄漏事故后，快速展开应急救援工作，对液氨泄漏事故应急救援区域预测方法开展研究。通过PHAST(Process Hazard Analysis Software Tool)软件模拟液氨泄漏事故工况，建立基于极端梯度提升(Extreme Gradient Boosting XGBoost)的液氨泄漏应急救援区域预测模型。利用网格搜索结合K折交叉验证进行超参数调优，并与随机森林、决策树模型性能进行对比分析。研究结果显示：以预测ERPG-2标准下液氨泄漏扩散距离为例，XGBoost模型预测性能最佳；与决策树和随机森林相比，XGBoost模型的E_MAPE分别减少了4.19个百分点和2.37个百分点，E_RMSE分别减少了66.74和2.93;基于优化后XGBoost模型液氨泄漏事故应急救援区域预测模型，预测结果R²为0.997 8,E_RMSE为50.37,E_MAPE为2.61%,基本满足工程实践应用。     

数据驱动的油田污水处理水质预测研究

为实时掌控油田的污水处理站生产工况，结合桩西污水处理站的监测数据，使用改进的支持向量机模型对油田污水水质进行预测。通过归一化方法将收油和收悬浮操作记录转化为数值特征，实现预测模型对外部介入操作的及时响应。利用差分进化算法对预测模型进行超参数寻优，实现模型超参数全局最优值的快速确定，采用最优模型对含油量和含悬浮量进行预测和验证。结果表明，基于差分进化算法的支持向量机模型(DE-SVM)在2个水质指标的预测中，均能取得最高的决定系数(R²)和最低的平均绝对百分比误差(MAPE)，显著优于其他预测方法，对实现油田污水处理流程的主动控制具有重要意义。     

严重冲突场景下山区双车道公路货车跟驰风险预测

为预测严重冲突场景下山区双车道公路货车跟驰事故风险，基于视频轨迹数据、实测交通流数据、道路线形数据及交通事故数据，采用双变量冲突极值模型、轻量型梯度提升机，构建严重冲突场景下山区双车道公路货车跟驰事故风险实时预测(Truck Following Accident Risk Real-Time Prediction, TFARRP)模型，并利用耦合度模型分析变量耦合程度。研究显示：碰撞时间(Time to Collision)为5.418 s,后侵入时间(Post Encroachment Time)为0.512 s,这是严重冲突场景阈值；TFARRP模型准确率高达95.000%;平均车头时距(A_HD)、两车间距(T_CD)、货车平均速度(T_AS)、及货车横向偏移(T_LO)对TFARRP模型的重要度都超过了10%;当监测到A_HD<21.11 s、T_CD<35.00 m、T_AS<29.00 km/h或T_LO     

基于机器学习的浮标实时自动化赤潮预警研究

实现赤潮预警对于减轻海洋环境灾害、避免海洋产业特别是海洋渔业重大经济损失具有重要意义。针对当前水文监测数据海量却难以实现实时自动化监测与预警,特别是难以利用传统监测手段实现对危害更大的赤潮的精准实时预测这一显著问题,提出利用浮标数据作为依据,借助机器学习在大数据分析和智能决策方面的优势,建立一种新颖的双重递进式赤潮预警机制的方法。首先,通过相关算法分析历史数据,以确认赤潮初步预警阈值;其次,对叶绿素a、pH、溶解氧等重要监测指标的当前和阶段性变化进行初步分析,判断是否达到预警触发条件;然后,进一步联合分类、回归、聚类、神经网络等机器学习相关方法,对数据进行深度挖掘;最后,通过这种递进式的机制对短期内是否会发生赤潮作出判断,以实现赤潮自动化预警预报。在此基础上,利用宁波梅山湾实际监测数据,证实了该方法在赤潮实时自动化预警中的有效性。     

基于实测资料的京津冀地区地表总辐射最优估算模型研究

地表总辐射（solar radiation, Rs）是一种对人类发展及其重要的新能源，同时也是影响区域环境变化的主要因素，Rs的准确估算对区域新能源发展及环境保护政策制定意义重大。故找出适用于京津冀地区辐射Rs模拟的标准方法是十分重要的，基于机器学习模型、辐射法和温度法共9种不同模型，分别计算了Rs在日值和月值尺度的精度，并计算了不同精度指标，结果表明：3种类型方法精度由高到低依次为机器学习模型>辐射法>温度法，其中极限学习机模型ELM在日值和月值尺度精度最高。     

基于机器学习的电动汽车电池系统的风险预警

为提高动力电池在实车工况下安全预警的及时性和准确性，将电池系统安全预警问题提炼为关键状态预测及基于预测状态的预警分类2大科学问题，根据实车运行中的电池状态数据，选择电池的单体电压最高值、单体电压极差等作为关键预测对象；利用费舍尔计分和最大信息系数(MIC)进行特征选择，采用样本卷积和交互网络模型(SCINet)实现关键状态预测；基于预测的状态，建立多分类随机森林(RF)模型，对动力电池的安全风险进行分级预警。研究结果表明：该模型对电池多个参数具有很强的预测能力，如预测1 min后单体电压最高值的均方根误差(RMSE)为0.027 1,温度最高值为0.054 0;对电池系统1 min后安全风险等级预测的查准率为84%,宏平均f₁分数为74%。